Kun vuodessa valmistetaan satoja miljoonia osia, laadunvarmistuksen tarkkuuden mikroskooppinenkin lasku voi johtaa valtaviin taloudellisiin tappioihin. Talvirenkaiden nastojen johtavalle suomalaiselle valmistajalle Turvanastalle maineensa ylläpitäminen alan parhaana toimittajana merkitsee erittäin tiukojen, sopimukseen perustuvien teknisten vaatimusten noudattamista.
Vanhojen laadunvalvontajärjestelmien rajoitusten vuoksi Turvanasta aloitti yhteistyön MarshallAI:n kanssa ottaakseen käyttöön nopean, alle millimetrin tarkkuudella toimivan vikojen havaitsemisjärjestelmän, joka pystyy vastaamaan yrityksen valtavaan tuotantomäärään.
Haaste: Suuret nopeudet ja alle millimetrin toleranssit
Turvanastan tuotantoympäristö on konenäön äärimmäinen rasitustesti. Heillä on käytössään laaja tuotevalikoima erittäin nopeilla tuotantolinjoilla. Fyysiset tuotteet ovat uskomattoman pieniä – nastojen pituudet pyörivät 10 ja 11 millimetrin välillä ja painot ovat usein alle yhden gramman.
Koska virhesietoisuus on käytännössä nolla, olemassa olevat tuotantokoneet kamppailivat klassisen laadunvarmistusdilemma kanssa:
- Korkeat hylkäysprosentit: Järjestelmä hylkäsi tarpeettomasti täysin kelvollisia tuotantoeriä, mikä johti hyväksyttämättömän suureen materiaalijätteeseen ja menetettyihin tuloihin.
- Virhevuodot: Toisaalta vanha logiikka päästi ajoittain kriittisiä alle millimetrin kokoisia virheitä läpi lopputuotteeseen.
Tekoälyn piti pystyä tarkastamaan välittömästi erittäin heijastavia metallipintoja useissa eri muunnelmissa, mukaan lukien:
- Alumiininastat (8-10/2A & 8-11/2A): ~0,90 g paino, 10–11 mm pituus, 8 mm laippa.
- Teräsnastat (8-10/2T & 8-11/2T): ~2.00 g paino, 10-11 mm pituus, 7.8 mm laippa.
Ratkaisu: Kolmivaiheinen käyttöönotto
Varmistaakseen sujuvan siirtymän ilman, että Turvanan laaja tuotanto keskeytyisi, MarshallAI otti ratkaisun käyttöön kolmessa ketterässä vaiheessa.
Vaihe 1: Pikainen toteutettavuustutkimus
Valmistajat pelkäävät usein, että tekoälyn toimivuuden todistaminen vaatii kuukausia kestäviä tutkimuksia. MarshallAI syötti järjestelmään kuvadataa Turvananan virheettömistä ja viallisista nastoista ja koulutti räätälöidyn neuroverkon. Vain kaksi viikkoa, MarshallAI-alusta osoitti 100%-kuvien tulkinnan onnistumisasteen submillimetrin kokoisissa virheissä.
Vaihe 2: Reaaliaikainen konseptinäyttö (PoC) reunassa
Kun malli oli validoitu, järjestelmä siirrettiin tuotantotiloihin. MarshallAI asensi teollisuuskameran ja paikallisen reunalaskentayksikön suoraan tuotantolinjalle. Jotta laitteistoa voitiin ohjata suoraan, tekoäly integroitiin Moxan teollisiin tiedonsiirtomoduuleihin.
Tämän kolmen kuukauden mittaisen konseptitestin (PoC) aikana reunatekoäly tarkasti osia reaaliajassa täydellä tuotantonopeudella. Tulos oli välitön: järjestelmä vähensi virheellisten hylkäysten määrää rajusti, säästäen merkittäviä määriä raaka-ainetta ja vähentäen jätettä.
Vaihe 3: Tehtaanlaajuinen skaalaus
PoC:n huikean menestyksen jälkeen Turvanasta hyväksyi ratkaisun laajentamisen. Laitteisto ja ohjelmisto otettiin käyttöön kahdessa vaiheessa kaikilla aktiivisilla tuotantolinjoilla. Sen sijaan, että tätä olisi käsitelty staattisena ohjelmistohankintana, MarshallAI ja Turvanasta solmivat jatkuvan “AI-as-a-Service”-kumppanuuden, joka takaa mallien jatkuvan hienosäätämisen ja kehittämisen tulevien vuosien uusien pulttivariaatioiden tarpeisiin.
Tulokset
Siirtymällä perinteisestä koneellisesta logiikasta MarshallAI:n syväoppimisalustaan Turvanasta onnistui täyttämään sopimuksen mukaiset laatuvaatimukset ja samalla parantamaan tuotantotehokkuuttaan. Hanke osoitti, että jopa erittäin suurilla tuotantomäärillä alle millimetrin kokoiset viat voidaan havaita täysin automaattisesti – mikä eliminoi turhan hävikin ja turvaa valmistajan tuloksen.
