В современном мире повсеместно наблюдается процесс цифровой трансформации, коренным образом меняющий уклад жизни общества и функционирование различных систем. Внедрение новых технологий в производственный процесс, в частности, в сфере контроля качества продукции, обуславливает необходимость модернизации систем менеджмента качества (СМК).
Ключевым новшеством в этой области является переход к машинному контролю качества компонентов и готовой продукции с использованием обучаемых нейронных сетей. Данный тренд актуализирует вопрос исследования процессов обновления СМК, направленных на повышение управляемости процессов контроля качества изделий и входных материалов на предприятиях за счет оперативной информации о их состоянии в режиме реального времени.
Объектом исследования является разработка научно-методических основ, рекомендаций и нормативных документов по интеграции методов управления качеством и цифровых технологий для достижения максимальной эффективности взаимодействия цифровых решений и СМК в сфере применения нейронных сетей и элементов блокчейн-технологии на предприятиях машиностроения. В качестве примера рассматривается Тосненский машиностроительный завод.
В работе описывается оснащение предприятия, текущее состояние контроля качества и СМК, а также внедрение на предприятии элементов контроля качества с использованием современных технологий, таких как нейронные сети и элементы блокчейн.
Внедрение элементов искусственного интеллекта (ИИ) в производство, особенно в сфере контроля качества, требует переосмысления подходов к разработке и содержанию систем менеджмента качества (СМК). Передача функций, ранее выполняемых людьми, в том числе функции принятия решений, машинам с ИИ, ставит новые задачи. Отсутствие единого подхода к классификации ИИ в контексте требований СМК делает данную проблему особенно актуальной.
Цель настоящей работы: разработать, внедрить и модернизировать СМК на предприятии машиностроения, использующем оборудование для контроля качества с нейросетевым управлением.
Для достижения поставленной цели необходимо решить следующие задачи:
- Определить и классифицировать понятие “нейросети” в контексте менеджмента качества.
- Провести анализ существующего оборудования и программного обеспечения на предприятии.
- Изучить проблемы, связанные с внедрением современных цифровых технологий на предприятии.
- Проанализировать действующую СМК, выявив ее недостатки.
- Разработать поэтапный план интеграции современных цифровых технологий в СМК предприятия.
- Сформулировать практические рекомендации по внедрению СМК, основанной на интегрировании методов управления качеством и цифровых технологий.
Результатом работы станет разработка методики практической интеграции методов управления качеством и цифровых технологий в области нейросетей и оборудования контроля качества, использующего автономный анализ и контроль качества продукции. Эта методика позволит определить статус подобных нейросетей в производственном процессе и оценить их влияние на качество продукции. На основе данной методики будет разработана СМК, позволяющая эффективно использовать данные технологии для контроля качества продукции.
Работа по производству строительной техники ведётся на базе Тосненского машиностроительного завода, являющегося предприятием полного цикла. Это означает, что завод осуществляет все этапы производства – от обработки металла до выпуска готовой продукции.
Завод функционирует в соответствии с собственной системой менеджмента качества CQMS, полностью соответствующей требованиям стандартов ISO. В рамках этой системы на предприятии реализована концепция “ворот качества” – зон контроля качества, расположенных между всеми сборочными площадками.
“Ворота качества” позволяют проводить контроль качества деталей и сборочных элементов непосредственно перед каждым этапом сборки. В каждой зоне вручную проверяется качество сварных соединений и сборки. Дефектные узлы направляются на доработку, а при неисправности – утилизируются. Визуальный осмотр с целью выявления сколов и трещин также является важным этапом проверки деталей. После прохождения “ворот качества” в паспорт узла заносятся все данные о проведенной проверке.
В настоящее время на предприятии ведётся внедрение технологий искусственного интеллекта в секторах “ворот качества”.
Цель “ворот качества” – убедиться, что проект с технической точки зрения продуман и готов к переходу на следующий этап сборки. Для этого предварительно определяются условия, основанные на измеряемых аспектах проекта. Примерами таких условий могут служить количество уязвимостей, соответствие выходных данных целевому уровню или время компиляции.
Данный подход минимизирует риски появления дефектов благодаря контрольным спискам по этапам и позволяет руководителям проектов быть в курсе процесса, сокращая время цикла разработки за счет повышения успеха проекта и внимания к качеству продукции.
После прохождения “ворот качества” результаты сборки проверяются на соответствие заданным критериям и выдаётся информация о статусе изделия.
Существует три возможных статуса ворот качества:
- Пройден – требования проверки на «воротах качества» выполнены, и производство может продолжаться.
- Предупреждение – требования проверки на «воротах качества» могут быть не выполнены или выполнены с трудом, и их следует проверить, прежде чем продолжать производство.
- Провал – требования проверки на «воротах качества» не соблюдены, и проблемы должны быть решены до продолжения производства.
Система “Ворота качества” представляет собой многоступенчатый процесс контроля качества продукции, требования к которому варьируются в зависимости от сложности компонентов. Каждый этап сборки сопровождается контрольными списками, успешное выполнение которых необходимо для перехода на следующий этап. Формальное подписание и утверждение результатов являются обязательными на каждой стадии. Доступ к контрольным спискам и чек-листам имеют менеджер проекта, испытатели, а также старший руководитель или спонсор.
Результаты оценки качества продукта и информации доводятся до сведения заинтересованных сторон. Данные хранятся в специально разработанной базе данных, а также фиксируются на бумажных листах, прикрепленных к каждому изделию и сопровождающих его до выпуска готовой продукции.
Несмотря на тщательность ручного контроля, существует риск ошибок, вызванных человеческим фактором. Кроме того, такой подход требует значительных временных и финансовых затрат.
В связи с этим, многие отрасли промышленности все чаще обращаются к искусственному интеллекту (ИИ). ИИ не призван заменить человека, а скорее оптимизировать существующие процессы. Совместное использование человеческого интеллекта и возможностей ИИ открывает новые горизонты.
Использование ИИ в производстве позволяет значительно сократить затраты на отзыв продукции, анализируя поступающие данные. Внедрение технологий ИИ дает возможность обрабатывать данные в режиме реального времени, что позволяет прогнозировать критические события, решать проблемы до их возникновения и осуществлять профилактическое обслуживание оборудования.
Таким образом, сочетание человеческого опыта и возможностей искусственного интеллекта обеспечивает высокую эффективность и надежность производственных процессов.
Таким образом, каждая отрасль может воспользоваться преимуществами искусственного интеллекта для получения следующих сведений:
- Выявление неиспользуемых или недоиспользованных ресурсов.
- Повышение производительности посредством систематического анализа данных.
- Обнаружение факторов, ограничивающих рост и развитие компании, включая языковые и экономические барьеры.
- Определение необходимых усовершенствований в существующих способностях для более эффективного управления.
Искусственный интеллект также может быть использован для оптимизации процессов контроля качества.
Традиционные проверки качества часто включают оценку 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 поддаются автоматизации с помощью датчиков или измерительного оборудования. Однако некоторые проверки требуют более сложных элементов управления, которые трудно автоматизировать и обычно нуждаются в человеческом вмешательстве. Это может привести к увеличению затрат и появлению ошибок.
Например, визуальная проверка качества упаковки или проверка на наличие “странных шумов” с помощью слуха. В таких случаях соответствующие датчики могут собирать сырые данные (например, видео, аудио), но требуется интерпретация данных, поскольку часто нет четких критериев, определяющих приемлемое качество.
В этой ситуации методы машинного обучения, основанные на обучении на большом объеме данных для создания модели, которая постоянно обновляется на основе новых наблюдений, могут быть эффективно применены с высокой степенью точности.
Использование искусственного интеллекта не ограничивается улучшением, автоматизацией и ускорением проверок качества.
На протяжении многих лет специалисты в области производства искали эффективные способы предотвращения проблем с качеством. Разработаны различные методы и процедуры, такие как всеобщее управление качеством, направленные на улучшение внутренних производственных процессов и анализ причин дефектов (например, диаграммы Исикавы). Однако, реализация этих методов сталкивается с проблемой сложности производственной среды, которая требует учета большого количества параметров: человека, машины, материала и метода.
Современные методы машинного обучения предлагают ценный инструмент для анализа первопричин проблем качества. Способность искусственного интеллекта (ИИ) находить корреляции в больших наборах данных позволяет эффективно использовать информацию, получаемую в результате оцифровки бизнес-процессов. Внедрение промышленного интернета вещей создаёт богатый источник данных, которые могут быть проанализированы с помощью методов машинного обучения.
Использование ИИ в управлении качеством способствует оптимизации и рационализации процессов. Это достигается за счет:
- выявления потенциальных причин производственных проблем;
- определения слабых мест, которые могут привести к сбоям;
- экономии ресурсов и времени, сохраняя при этом операционную эффективность.
В настоящее время ИИ и нейронные сети только начинают внедряться в системы контроля качества продукции. Одним из перспективных направлений является использование нейросети для входного видео- и фотоконтроля качества поступающих компонентов.
Система видеомониторинга позволит автоматизировать проверку качества поверхности деталей на этапах входного контроля и «ворот качества». Распознавание дефектов будет осуществляться с помощью специализированной нейросети, анализирующей изображения и выявляющей несоответствия.
Система автоматического контроля качества включает в себя два основных элемента:
- Нейронную сеть для визуального анализа: Данная система способна выявлять различные типы дефектов на поверхности изделий, включая трещины, коррозию и инородные включения. Информация о всех обнаруженных дефектах сохраняется и анализируется, формируя детальный отчет о количестве брака по каждому типу дефекта и общему числу отбракованных деталей. Данные затем вносятся в цифровой паспорт изделия. Система обладает гибкими настройками, позволяющими сотрудникам выбирать типы и размеры дефектов для отбраковки согласно техническим требованиям к выпускаемой продукции.
- Машинный контроль качества сварных соединений: В этой системе используется роботизированная рука с интегрированным ультразвуковым оборудованием. С помощью ультразвуковых волн, отражающихся от внутренних структур сварного шва, система анализирует его целостность и выявляет скрытые дефекты, такие как поры, трещины, непроплавления, неоднородности состава и механические повреждения.
Полученные данные обрабатываются нейронной сетью, что позволяет более точно визуализировать дефекты и принимать автоматизированное решение о годности изделия.
Применение подобных систем на производстве приводит к:
- Значительному сокращению времени проверки качества
- Снижению количества брака и повышению качества продукции.
- Получению обоснованных отчетов об ошибках и дефектах, что способствует непрерывному улучшению производственных процессов.
Согласно зарубежным исследованиям, на ранних стадиях разработки подобные системы контроля качества с помощью искусственного интеллекта сокращали время проверки на 80% и снижали количество ошибок в производстве на 7-10%.
Согласно исследованию, проведенному Indiana State University (США), алгоритм, разработанный компанией IBM, продемонстрировал 97%-ную точность в выявлении дефектов, что превосходит результат ручного контроля (около 90%). IBM предложила гибридную модель, объединяющую неконтролируемый (кластерный анализ) и контролируемый алгоритмы, с целью повышения качества продукции и оптимизации производственных процессов.
Детальное исследование Indiana State University, проведенное на данных контроля качества производства, показало преимущество алгоритмов глубокого обучения (с использованием видеомониторинга) перед методами поверхностного контроля (программное обеспечение обработки входных данных в сочетании с ручным контролем).
Более того, исследователи обнаружили прямую зависимость между производительностью алгоритмов глубокого обучения и объемом выборки. Анализ данных за 3 года с шести заводов в США и Японии, использующих схожие системы контроля, подтвердил, что модель контроля качества с применением искусственного интеллекта наиболее эффективно прогнозирует ошибки и дефекты, а также определяет их причины с точностью 94,5%.
Таким образом, программное обеспечение для управления качеством, основанное на искусственном интеллекте, способствует оптимизации технологических циклов и повышению общей эффективности организации, особенно в сфере производства. Оно также позволяет проводить прогнозный анализ процессов управления качеством и всех его ключевых аспектов.
Искусственный интеллект постепенно внедряется в нашу повседневную жизнь, автоматизируя множество процессов. Организации могут извлечь из него максимальную пользу для достижения целей в области качества, минимизировав или вовсе исключив ручное вмешательство благодаря усовершенствованным методам и анализу.
