Bei der Herstellung von Hunderten von Millionen von Teilen pro Jahr kann selbst ein winziger Rückgang der Genauigkeit der Qualitätssicherung zu massiven finanziellen Verlusten führen. Für Turvanasta, einen führenden finnischen Hersteller von Winterreifen-Stöcken, bedeutet die Aufrechterhaltung des Rufes als der beste Anbieter in diesem Bereich die Einhaltung äußerst strenger vertraglicher technischer Anforderungen.
Angesichts der Einschränkungen herkömmlicher Qualitätskontrollsysteme arbeitete Turvanasta mit MarshallAI zusammen, um ein Hochgeschwindigkeits-System zur Fehlererkennung in Submillimeterauflösung einzusetzen, das den enormen Produktionsvolumen gerecht werden kann.
Die Herausforderung: Hohe Geschwindigkeiten und Submillimetergenauigkeit
Die Produktionsumgebung von Turvanasta stellt die ultimative Belastungstest für die Machine Vision dar. Sie betreiben ein breites Produktportfolio auf sehr schnellen Produktionslinien. Die physischen Produkte sind unglaublich klein – die Stutzen sind etwa 10 bis 11 Millimeter lang und die Gewichte liegen oft unter einem einzigen Gramm.
Da die Toleranz für Fehler praktisch null ist, hatten die bestehenden Produktionsmaschinen mit einem klassischen Qualitätssicherungsproblem zu kämpfen:
- Hohe Falsen-Abstoßungsraten: Das System wies völlig unbedeutende Chargen der Produktion unnötig zurück, was zu inakzeptablen Materialmengenabfällen und Umsatzverlusten führte.
- Fehler ausbleiben: Im Gegenteil ließ die herkömmliche Logik gelegentlich kritische Defekte im Sub-Millimeterbereich in das Endprodukt eindringen.
Die KI musste in der Lage sein, hochreflektierende Metalloberflächen in verschiedenen Varianten sofort zu analysieren, darunter:
- Aluminium-Stäbe (8-10/2A & 8-11/2A): Gewicht: ~0,90 g, Länge: 10–11 mm, Flansch: 8 mm.
- Stahlstähle (8-10/2T & 8-11/2T): Gewicht: ~2,00 g, Länge: 10–11 mm, Flansch: 7,8 mm.
Die Lösung: Eine dreiphasige Implementierung
Um einen reibungslosen Übergang zu gewährleisten und die massive Produktion von Turvanasta nicht zu unterbrechen, implementierte MarshallAI die Lösung in drei agilen Phasen.
Phase 1: Schnellstmögliche Machbarkeitsstudie
Hersteller befürchten oft, dass KI monatelange Forschung erfordert, um ihre Leistungsfähigkeit zu beweisen. MarshallAI verarbeitete Bilddatenmengen von Turvanasta’s guten und fehlerhaften Stümpfen und trainierte ein spezielles neuronales Netzwerk. In nur wenigen Tagen Zwei Wochen, Die MarshallAI-Plattform erzielte bei der Interpretation von Bildern mit einer Genauigkeit von 100 % bei Sub-Millimeter-Fehlern.
Phase 2: Live Proof of Concept (PoC) am Edge
Nachdem das Modell validiert war, wurde das System auf die Produktionslinie verlegt. MarshallAI installierte eine Industriekamera und eine lokalisierte Edge-Computing-Einheit direkt an der Produktionslinie. Um eine direkte Hardware-Aktivierung zu ermöglichen, wurde die KI mit den industriellen Kommunikationsmodulen von Moxa integriert.
Während dieser dreimonatigen PoC prüfte die Edge-KI Teile in Echtzeit mit voller Produktionsgeschwindigkeit. Das Ergebnis war sofort sichtbar: Das System senkte die Zahl der falschen Ablehnungen drastisch und spart so erhebliche Mengen an Rohmaterial und verringert den Abfall.
Phase 3: Skalierung auf die gesamte Fabrik
Nach dem überwältigenden Erfolg des PoC autorisierte Turvanasta die Skalierung der Lösung. Die Hardware und Software wurden in zwei Phasen auf allen aktiven Produktionslinien eingeführt. Anstatt dies als eine statische Software-Einkaufsvorgabe zu betrachten, gründeten MarshallAI und Turvanasta eine kontinuierliche “AI-as-a-Service”-Partnerschaft, die eine kontinuierliche Modellverfeinerung und Entwicklung für neue Stud-Varianten in den kommenden Jahren sicherstellt.
Die Ergebnisse
Durch den Umstieg von herkömmlicher maschineller Logik auf die Deep-Learning-Plattform von MarshallAI konnte Turvanasta seine vertraglichen Qualitätsanforderungen erfolgreich erfüllen und gleichzeitig die Ausbeute steigern. Das Projekt zeigte, dass selbst bei extremen Produktionsvolumina die Fehlererkennung auf Sub-Millimeter-Niveau vollständig automatisiert werden kann – wodurch unnötige Verschwendung eliminiert und der Gewinn des Herstellers gesichert wird.
