Bei der Herstellung von Hunderten von Millionen von Teilen pro Jahr kann selbst ein winziger R\u00fcckgang der Genauigkeit der Qualit\u00e4tssicherung zu massiven finanziellen Verlusten f\u00fchren. F\u00fcr Turvanasta, einen f\u00fchrenden finnischen Hersteller von Winterreifen-St\u00f6cken, bedeutet die Aufrechterhaltung des Rufes als der beste Anbieter in diesem Bereich die Einhaltung \u00e4u\u00dferst strenger vertraglicher technischer Anforderungen.<\/p>\n\n\n\n
Angesichts der Einschr\u00e4nkungen herk\u00f6mmlicher Qualit\u00e4tskontrollsysteme arbeitete Turvanasta mit MarshallAI zusammen, um ein Hochgeschwindigkeits-System zur Fehlererkennung in Submillimeteraufl\u00f6sung einzusetzen, das den enormen Produktionsvolumen gerecht werden kann.<\/p>\n\n\n\n
Die Produktionsumgebung von Turvanasta stellt die ultimative Belastungstest f\u00fcr die Machine Vision dar. Sie betreiben ein breites Produktportfolio auf sehr schnellen Produktionslinien. Die physischen Produkte sind unglaublich klein \u2013 die Stutzen sind etwa 10 bis 11 Millimeter lang und die Gewichte liegen oft unter einem einzigen Gramm.<\/p>\n\n\n\n
Da die Toleranz f\u00fcr Fehler praktisch null ist, hatten die bestehenden Produktionsmaschinen mit einem klassischen Qualit\u00e4tssicherungsproblem zu k\u00e4mpfen:<\/p>\n\n\n\n
Die KI musste in der Lage sein, hochreflektierende Metalloberfl\u00e4chen in verschiedenen Varianten sofort zu analysieren, darunter:<\/p>\n\n\n\n
Um einen reibungslosen \u00dcbergang zu gew\u00e4hrleisten und die massive Produktion von Turvanasta nicht zu unterbrechen, implementierte MarshallAI die L\u00f6sung in drei agilen Phasen.<\/p>\n\n\n\n
Hersteller bef\u00fcrchten oft, dass KI monatelange Forschung erfordert, um ihre Leistungsf\u00e4higkeit zu beweisen. MarshallAI verarbeitete Bilddatenmengen von Turvanasta\u2019s guten und fehlerhaften St\u00fcmpfen und trainierte ein spezielles neuronales Netzwerk. In nur wenigen Tagen Zwei Wochen<\/strong>, Die MarshallAI-Plattform erzielte bei der Interpretation von Bildern mit einer Genauigkeit von 100 % bei Sub-Millimeter-Fehlern.<\/p>\n\n\n\n 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 erm\u00f6glichen, wurde die KI mit den industriellen Kommunikationsmodulen von Moxa integriert.<\/p>\n\n\n\n W\u00e4hrend dieser dreimonatigen PoC pr\u00fcfte 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.<\/p>\n\n\n\n Nach dem \u00fcberw\u00e4ltigenden Erfolg des PoC autorisierte Turvanasta die Skalierung der L\u00f6sung. Die Hardware und Software wurden in zwei Phasen auf allen aktiven Produktionslinien eingef\u00fchrt. Anstatt dies als eine statische Software-Einkaufsvorgabe zu betrachten, gr\u00fcndeten MarshallAI und Turvanasta eine kontinuierliche \u201cAI-as-a-Service\u201d-Partnerschaft, die eine kontinuierliche Modellverfeinerung und Entwicklung f\u00fcr neue Stud-Varianten in den kommenden Jahren sicherstellt.<\/p>\n\n\n\n Durch den Umstieg von herk\u00f6mmlicher maschineller Logik auf die Deep-Learning-Plattform von MarshallAI konnte Turvanasta seine vertraglichen Qualit\u00e4tsanforderungen erfolgreich erf\u00fcllen und gleichzeitig die Ausbeute steigern. Das Projekt zeigte, dass selbst bei extremen Produktionsvolumina die Fehlererkennung auf Sub-Millimeter-Niveau vollst\u00e4ndig automatisiert werden kann \u2013 wodurch unn\u00f6tige Verschwendung eliminiert und der Gewinn des Herstellers gesichert wird.<\/p>","protected":false},"excerpt":{"rendered":" Legacy-Vision-Systeme verworfenen perfekt geeignetes Material. Entdecken Sie, wie MarshallAI eine Edge-Computing-L\u00f6sung implementierte, um falsche Ablehnungen zu eliminieren und Hunderte Millionen von Sub-Millimeter-Metallelementen mit absoluter Pr\u00e4zision zu pr\u00fcfen.<\/p>","protected":false},"featured_media":2172,"template":"","meta":{"content-type":"","footnotes":""},"categories":[45,46],"tags":[76,24,49,37,51,52,25,47,53,48,50],"class_list":["post-2213","case-study","type-case-study","status-publish","has-post-thumbnail","hentry","category-manufacturing","category-quality-assurance","tag-case-study","tag-computer-vision","tag-defect-detection","tag-edge-computing","tag-false-reject-reduction","tag-high-speed-inspection","tag-machine-vision","tag-manufacturing","tag-metal-manufacturing","tag-quality-assurance","tag-sub-millimeter-precision"],"_links":{"self":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2213","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/types\/case-study"}],"version-history":[{"count":5,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2213\/revisions"}],"predecessor-version":[{"id":3559,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/case-study\/2213\/revisions\/3559"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media\/2172"}],"wp:attachment":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media?parent=2213"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/categories?post=2213"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/tags?post=2213"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Phase 2: Live Proof of Concept (PoC) am Edge<\/h3>\n\n\n\n
Phase 3: Skalierung auf die gesamte Fabrik<\/h3>\n\n\n\n
Die Ergebnisse<\/h2>\n\n\n\n