汽车车轮 OEM 制造商使用 Monitizer | PRESCRIBE 降低废品率

改善的案例

减少“热”废品和 X 射线制造车轮的废品

Monitizer | PRESCRIBE 由我们的人工智能专家合作伙伴 DataProphet 提供支持，被部署在这家汽车 OEM 公司，以减少其轻合金车轮制造过程中产生的废料。

“热”(即视觉) 废品 - 来自对刚从铸造炉中出来的车轮的人工检查 - 构成了这个汽车 OEM 的大部分铸造缺陷。减少它们将意味着从不必要的增值产品中节省大量资金，而这些产品后来将无法通过下游的检查。

随后，车轮制造商确定 X 射线的废品在后续生产过程中也需要减少废品。因此，大家同意用 PRESCRIBE 来减少“热”废料和 X 射线废料的目标。

产品可追溯性的考虑

在对客户的数据基础设施进行讨论和分析后，发现该工厂的产品追踪系统的连续性 (即通过热处理、加工和喷漆阶段) 还不足，无法保证 PRESCRIBE 在端到端的唯一产品识别。

出于这个原因，大家同意将重点放在两种车轮上，以期只优化铸造阶段，而不是优化整个车轮制造过程。

更具体地说，PRESCRIBE 与以下内容有关：

• 历史生产数据 (表明一个产品的生产线在历史上产生了最好的结果)。
• 当前的生产状态。

这种高层次的洞察力使得深度学习发现能够确定下一个最佳的稳定运行区域。

然后可以提供最佳配方的方案，允许有关的可控参数的下限和上限。

通过叠加历史和实际的质量和工艺数据，PRESCRIBE 的模型致力于使控制计划的更新循环自动化，以实现持续改进。对运营商来说，这看起来就像一个优先考虑的，易于操作的方案列表，并及时传递到仪表盘上。

制订方案使生产更接近其最佳操作区域 (BOB)。

围绕对优化至关重要的过程和质量数据开展合作

对该公司来说，机器设定点 (即“配方”) 调整将被发送给铸造炉上的操作员，供他们应用 - 可衡量地改善生产线控制，并提高两种商定的车轮类型的产量。

为此，我们建立了一个数据收集系统，能够对过程数据和质量数据 (与我们的规范性人工智能认为对减少废品影响最大的可控参数相联系) 进行高分辨率的监测和情境化。

人工智能模型已被训练成能在以下参数的最佳工艺范围内生成抢先的处方：

• 炉压系统
• 模具温度
• 模具中冷却通道的开启/关闭时间
• 金属温度
• 金属加料温度
• 工厂温度和压缩空气

用于手动记录废料

先入先出 (FIFO) 的质量数据收集协议如果是自动化的，可以是相对直接的。

然而，在先进的制造业中，操作员可能仍然需要手动记录一些废品；在几台机器的日常生产故障排除的压力下，这可能会使生产线暴露在轮班时间戳和记录的缺陷时间戳之间的差异中。

坚持可追踪记录所需的时间精度取决于一个易于应用的协议。在这一点上，DataProphet 与客户合作，简化和规范了手工记录过程，从而促进了近乎一对一的车轮追踪。

商定的基准

在实施之前，已与客户商定如何衡量 PRESCRIBE 部署的成功与否。它将通过试运行测试来确定，在试运行期间需要实现以下目标：

• ≥ 工厂经营者对 PRESCRIBE 方案的配合度达 80%。
• 与历史上的表现相比，方案的配合度有所提高。
• 假设完全遵守一开始的设定 - 综合缺陷率降低 25% 至 30%。

用于动态反映可控制的工艺参数

在汽车车轮制造中，控制模具温度并不像调整金属温度那么简单。

取而代之的是，控制模具温度的是附带的冷却通道 (因为它们在铸造周期的不同时间点会打开和关闭)。

在与操作人员讨论后，除了整体模具温度曲线外，还收集了各冷却通道的动态开/关时间的工艺数据 - 这为人工智能模型生成一套完善 (即高度精确) 的方案提供了依据。

除了降低废品率，数据发现之旅本身也为工厂的标准操作程序增加了重要价值，因为它揭示了整个生产线的数据记录需要改进的关键领域。这是通过以下方式实现的：

1. 完善数据
2. 提高记录的分辨率
3. 记录额外的参数
4. 实施一种更可追踪和可靠的记录视觉废料的方法

总之，数据完整性的改善 (作为 PRESCRIBE 的必要条件) 将使这家车轮制造 OEM 厂商进一步实现数字化成熟度目标，并对生产流程进行更多控制。

这个项目第一次迭代的成功，也为今后在更多的铸造炉和更广泛的车轮和模具类型中，扩大成本节约和减少废品的机会提供了巨大的希望。