В эпоху всеобщей цифровизации, коренным образом преобразующей жизнь как индивида, так и различных систем, внедрение инновационных технологий в сферу производственного контроля качества продукции ставит перед нами задачу модернизации систем менеджмента качества.
Ключевым новшеством в этой области является переход на автоматизированный контроль качества компонентов и готовой продукции с использованием обучаемых нейронных сетей.
В связи с этим, приобретает особую значимость исследование процессов обновления систем менеджмента качества. Основной целью такого исследования является повышение эффективности управления процессами контроля качества как входных материалов, так и готовой продукции на предприятии за счет своевременного получения информации о их состоянии в режиме реального времени.
Исследование интеграции методов управления качеством и цифровых технологий
Предметом данного исследования является разработка научно-методических основ, рекомендаций и нормативных документов по интеграции методов управления качеством и цифровых технологий для обеспечения максимальной эффективности взаимодействия цифровых технологий и систем менеджмента качества (СМК) в сфере нейронных сетей и блокчейн-элементов на предприятии машиностроения.
В качестве объекта исследования выбран Тосненский машиностроительный завод. Целью работы является разработка, внедрение и модернизация СМК на данном предприятии в контексте использования оборудования для контроля качества, оснащенного нейронными сетями.
Актуальность исследования обусловлена тем, что модернизация производства в сфере контроля качества с использованием элементов искусственного интеллекта требует новых подходов к разработке и содержанию СМК. Многие функции, ранее выполняемые человеком, передаются машинам, включая функции принятия решений. В настоящее время отсутствует четкая классификация искусственного интеллекта с точки зрения требований СМК, что делает данную задачу наиболее актуальной.
Для достижения поставленной цели необходимо решить следующие задачи:
- Определить и классифицировать понятие «нейронные сети» в сфере менеджмента качества.
- Провести анализ имеющегося оборудования и программного обеспечения на предприятии.
- Исследовать проблемы, возникающие при внедрении современных цифровых технологий на предприятии.
- Анализировать существующую СМК, выявлять ее недостатки.
- Разработать поэтапный план интеграции современных цифровых технологий в СМК на предприятии.
- Выработать практические рекомендации по внедрению СМК, основанной на интеграции методов управления качеством и цифровых технологий.
В результате проведенных исследований будет разработана методика практической интеграции методов управления качеством и цифровых технологий в сфере нейросетей и оборудования контроля качества, основанного на автономном анализе и контроле качества продукции и ее компонентов. Данная методика позволит оценить текущее состояние внедрения подобных нейросетей в производственном процессе, а также определить их влияние на качество выпускаемой продукции.
На основе этой методики будет создана система менеджмента качества, обеспечивающая эффективное использование данных технологий для контроля качества продукции. Исследования проводятся на базе Тосненского машиностроительного завода, специализирующегося на производстве строительной техники и охватывающего полный цикл изготовления, от обработки металла на заготовительных участках до выпуска готовой продукции.
На предприятии внедрена и функционирует собственная система менеджмента качества CQMS, полностью соответствующая стандартам ISO. В рамках этой системы организованы контрольные зоны, называемые “воротами качества”, расположенные между всеми сборочными участками.
“Ворота качества” предназначены для проведения контроля качества деталей и сборочных единиц непосредственно перед каждым этапом сборки. В каждой такой зоне производится ручная проверка качества сварных соединений и сборки. При обнаружении дефектов узел направляется на доработку, а в случае непригодности – утилизируется. Визуальный осмотр с целью выявления сколов и трещин также является важным этапом проверки. По прохождению “ворот качества” в паспорте узла фиксируются все данные о проведенной проверке.
В настоящее время на предприятии ведется внедрение технологий искусственного интеллекта в сферу “ворот качества”. Данные зоны служат для обеспечения того, чтобы проект был технически продуманным и готов к переходу на следующий этап сборки. Для этого предварительно определяются контролируемые параметры, основанные на измеримых аспектах проекта, таких как количество уязвимостей, соответствие выходных данных заданным параметрам или время компиляции.
Данный подход минимизирует риски возникновения дефектов за счет использования контрольных списков по этапам и позволяет руководителям проектов отслеживать ход процесса, сокращая цикл разработки за счет повышения показателей успеха и внимания к качеству продукта.
По завершении прохождения “ворот качества” результаты сборки проверяются на соответствие заданным критериям, после чего выдается информация о статусе:
- Пройден: требования проверки на “воротах качества” выполнены, производство может продолжаться.
- Предупреждение: требования проверки на “воротах качества” могут быть не выполнены или выполнены с трудом, их необходимо проверить до продолжения производства.
- Провал: требования проверки на “воротах качества” не соблюдены, проблемы должны быть решены до продолжения производства.
Система контроля качества, или “Ворота качества”, может быть адаптирована в зависимости от требований к качеству продукции. Компоненты с более сложной структурой могут требовать более строгих проверок.
Процесс сборки сопровождается контрольными списками на каждом этапе, которые должны быть успешно выполнены для перехода к следующему этапу. Обязательным условием является формальное подписание и утверждение результатов на каждом этапе. Доступ к контрольным спискам и документации имеют менеджер проекта, испытатели и старший руководитель.
Информация о качестве продукта и его соответствия требованиям доводится до сведения всех заинтересованных сторон. Данные хранятся в специализированной базе данных и дублируются в виде бумажных документов, прикрепленных к изделию и сопровождающих его на протяжении всего производственного процесса.
Ввиду того, что все проверки проводятся вручную квалифицированным персоналом, существует риск ошибок, обусловленных человеческим фактором. Кроме того, ручные проверки требуют значительных временных и финансовых затрат.
Поэтому, во многих отраслях промышленности наблюдается тенденция к внедрению искусственного интеллекта (ИИ). ИИ не призван заменить человека, а скорее оптимизировать и улучшить производственные процессы.
Внедрение ИИ позволяет сократить количество дорогостоящих отзывов продукции, благодаря анализу данных в режиме реального времени. Прогнозирование и предотвращение критических событий, а также планирование профилактического обслуживания – лишь некоторые из преимуществ использования ИИ в промышленном производстве.
Таким образом, применение искусственного интеллекта в различных отраслях может обеспечить доступ к ценной информации, способствующей:
- Оценке и использованию невостребованных ресурсов.
- Повышению эффективности за счёт регулярного анализа данных.
- Идентификации и преодолению барьеров, таких как языковые или экономические ограничения на развитие компании.
- Оптимизации существующих процессов управления для повышения их эффективности.
- Достижению целей в области качества бизнеса.
Контроль качества обычно включает проверку размеров, веса, внешнего вида (например, уровня отделки, цвета и т.д.), характеристик (например, эластичности, водонепроницаемости, сопротивления и т.д.) и функциональных возможностей. Многие из этих проверок можно автоматизировать с помощью датчиков или измерительного оборудования. Однако некоторые проверки требуют более сложной оценки, которая в настоящее время затруднена для автоматизации и обычно требует участия человека. Это может привести к увеличению затрат и появлению ошибок. Примером таких проверок являются визуальный контроль качества упаковки или тесты, требующие использования других органов чувств человека, таких как слух (например, обнаружение аномальных звуков) или вкус (например, оценка органолептических свойств продуктов питания и напитков).
В некоторых ситуациях сенсоры могут собирать необработанные данные, такие как видео или аудио, требующие дальнейшей интерпретации, поскольку четкие критерии качества отсутствуют. В таких случаях методы машинного обучения, основанные на обучении с примерами и постоянном обновлении модели на основе новых данных, демонстрируют высокую точность.
Использование ИИ в управлении качеством не ограничивается лишь поддержкой человеческих усилий. В течение многих лет предпринимались попытки предотвращения проблем качества на производстве, что привело к разработке методов, таких как всеобщее управление качеством. Многие из этих методов сосредоточены на улучшении внутренних производственных процессов или анализе корневых причин проблем.
Однако, реальная сложность производственной среды, обусловленная множеством взаимосвязанных факторов (человек, машина, материал, метод), требовала новых подходов. Методы машинного обучения могут стать ценным инструментом для анализа первопричин благодаря способности выявлять корреляции в больших объемах данных.
Цифровизация бизнес-процессов и внедрение промышленного интернета вещей создают богатый источник данных, который может быть использован алгоритмами машинного обучения. Искусственный интеллект способствует оптимизации процессов управления качеством, делая их более эффективными и результативными.
Искусственный интеллект (ИИ) существенно упрощает управление качеством производства, предлагая комплексный подход к решению ключевых задач, таких как выявление причин дефектов, обнаружение уязвимостей, способствующих сбоям, и др. Это способствует оптимизации использования ресурсов и времени при сохранении операционной эффективности.
Несмотря на то, что внедрение ИИ и нейросетей в области контроля качества продукции только началось, эта технология имеет большой потенциал. Одним из перспективных направлений является использование нейросети для входного видео- и фотоконтроля компонентов, поступающих на сборку.
Система видеомониторинга позволяет автоматизировать проверку качества поверхности деталей как на этапе входного контроля, так и на «воротах качества». Распознавание дефектов осуществляется с помощью специализированной нейросети, анализирующей изображения и выявляющей аномалии.
Нейросеть способна идентифицировать различные типы дефектов: трещины, коррозию, посторонние включения и т.д. Информация о выявленных дефектах сохраняется и представляется в виде аналитических отчетов, содержащих сведения о количестве брака по типам дефектов, количестве забракованных деталей, и интегрируется в цифровой паспорт узла.
Сотрудники имеют возможность гибкой настройки параметров отбраковки деталей, выбирая тип дефекта и его размер в соответствии с техническими требованиями к выпускаемой продукции. При настройке системы видеомониторинга формируется набор «обучающих» изображений с возможными дефектами, которые сохраняются в специальной базе данных. Нейросеть на основе этих данных классифицирует новые изделия как “годные” или “дефектные”.
Вторым элементом системы контроля качества является автоматизированный ультразвуковой контроль сварных соединений. Специальное устройство, оснащенное “механизированной рукой” и встроенным ультразвуковым оборудованием, анализирует сварные швы на предмет дефектов и передает полученные данные в цифровой паспорт узла.
Ультразвуковая методика контроля позволяет обнаруживать скрытые дефекты сварных швов, такие как поры, трещины, непровары, неоднородный химический состав и механические повреждения. Принцип работы основан на свойстве линейного распространения звуковых волн в однородной среде. Ультразвуковые колебания, направленные внутрь проверяемого объекта, отражаются от любых неровностей.
Устройство состоит из трех основных компонентов: “механизированная рука”, которая перемещает дефектоскоп; сам дефектоскоп, излучающий и поглощающий ультразвуковые волны; пьезоэлектрический преобразователь, регистрирующий отраженные волны и преобразующий их в электрические сигналы. Полученные данные выводятся на электронный дисплей устройства и автоматически передаются на сервер в базу данных. По ним определяется тип дефекта, его геометрические параметры и другие характеристики.
Амплитуда отраженного импульса позволяет судить о размере дефекта, а скорость распространения – о глубине его залегания. Обработка всех данных с помощью нейросети обеспечивает более точную визуализацию дефектов и автоматическое принятие решения о годности или негодности детали.
Использование таких систем на предприятии позволяет минимизировать количество ошибок и максимально повысить качество продукции за счет применения компьютерного зрения, обработки больших объемов данных и выдачи обоснованных отчетов об ошибках или дефектах.
Согласно зарубежным исследованиям, на ранней стадии разработки подобные системы с применением искусственного интеллекта в области контроля качества сократили время проверки на 80%, а количество ошибок в производстве уменьшилось на 7-10%.
Исследование, проведенное университетом штата Индиана (США), показало высокую эффективность алгоритма, разработанного компанией IBM, в обнаружении дефектов. Точность данного алгоритма достигает 97%, что существенно превосходит показатели ручного контроля (около 90%).
IBM предложила гибридную модель, сочетающую в себе неконтролируемый (кластерный анализ) и контролируемый алгоритмы. Такой подход направлен на повышение качества продукции и оптимизацию производственных процессов.
Специалисты университета штата Индиана провели детальное исследование, используя данные контроля качества производства. Они доказали преимущество алгоритмов глубокого обучения (с использованием видеомониторинга) перед методами поверхностного контроля (программное обеспечение для обработки входных данных в сочетании с ручным контролем).
Было также установлено, что эффективность алгоритмов глубокого обучения напрямую зависит от объема обучающей выборки. Анализ данных, собранных за 3 года на 6 заводах в США и Японии, использующих аналогичные системы контроля, показал, что модель контроля качества с применением ИИ наиболее эффективно прогнозирует ошибки и дефекты, а также выявляет их причины с точностью 94,5%.
Таким образом, программное обеспечение для управления качеством, основанное на искусственном интеллекте, позволяет организациям оптимизировать технологические циклы и повысить общую эффективность, особенно в сфере производства. Оно также способствует проведению прогнозного анализа процессов управления качеством и всех его ключевых аспектов.
Внедрение искусственного интеллекта в повседневную жизнь уже началось. Организации могут максимально эффективно использовать его для достижения целей в области качества с минимальным или полным отсутствием ручного вмешательства благодаря совершенствованию методов и анализу данных.
Литература
- Салимова Т.А., Ватолкина Н.Ш., В.И. Маколов. Векторы развития СМК при переходе к индустрии 4.0// Стандарты и качество. – 2018. – № 8. – С. 44-48.
- Левченко Е.В. Влияние цифровизации на развитие системы менеджмента качества // Вестник Саратовского государственного социально -экономического университета. 2018. №4 (73).
- Сайрус Хосейни, М.Аффан Бадар, Кристофер Клузе. Обзор методов машинного обучения, применимых к вопросам качества // Исследование Университета штата Индиана. 2021
- Хатидже Камгоз Акдаг. Тотальное управление качеством посредством обнаружения дефектов в производственных процессах с использованием алгоритмов машинного обучения // Материалы Международного симпозиума по производственным исследованиям 2019 г. (стр. 508-516). 2020
- Джордж Ковач, Нафиса Исламовна Юсупова. Модели и методы управления качеством на основе приложений искусственного интеллекта. // Венгерская академия наук. Acta Polytechnica Hungarica 13(3):45-60. 2021
По материалам статьи: ПРИМЕНЕНИЕ НЕЙРОСЕТЕЙ ПРИ КОНТРОЛЕ КАЧЕСТВА ПРОДКУКЦИИ В МАШИНОСТРОИТЕЛЬНОМ ПРОИЗВОДСТВЕ, авторы: Никитин Георгий Алексеевич, Алексашина Ольга Вячеславовна
