Keskeiset huomiot
- Virheellinen hylkäys hyvä, vaatimustenmukainen kappale, jonka tarkastusjärjestelmä virheellisesti luokittelee vialliseksi ja poistaa linjalta.
- Kuinka yleistä se on? Perinteiset sääntöihin perustuvat AOI-järjestelmät tuottavat todellisissa tuotanto-olosuhteissa yleisesti yli 20%:n hylkäysasteen, mikä on selvästi enemmän kuin useimmat laadunvalvontatiimit ymmärtävät, sillä vääriä hylkäyksiä seurataan harvoin erillisenä eränä.
- Mitä se maksaa? American Society for Quality arvioi, että huonon laadun aiheuttamat kustannukset ovat tyypillisille valmistajille 10–20% vuotuisesta liikevaihdosta. Väärät hylkäykset vaikuttavat suoraan, vaikkakin usein huomaamattomasti, tähän lukuun: jokainen hylätty hyvä osa merkitsee jo siihen investoidun materiaalin, energian ja työvoiman hukkaa.
- Mikä sen aiheuttaa? Valaistuksen ja heijastusten muutokset, erien väliset tuotevaihtelut, antureiden ryömintä ja jäykkä sääntöpohjainen logiikka, joka ei pysty sopeutumaan aitojen osien sallittuun vaihteluun.
- Miten se korjataan? Tekoälypohjainen tarkastus, joka on koulutettu todellisella tuotantodatalla, erottaa todelliset viat luonnollisesta vaihtelusta paljon luotettavammin kuin kiinteät sääntöpohjaiset kynnysarvot, ja se voidaan uudelleenkouluttaa tunneissa, kun tuotteet tai olosuhteet muuttuvat.
Mitä ovat virheelliset hylkäykset?
Väärä hylkäys tapahtuu, kun laaduntarkastusjärjestelmä hylkää osan, joka itse asiassa täyttää vaatimukset. Osa on hyvä. Järjestelmä väittää, ettei ole.
Tämä poikkeaa väärä hyväksyntä (jota kutsutaan myös livahdukseksi), jossa aito viallinen osa läpäisee tarkastuksen ja päätyy asiakkaalle. Laatuosastot keskittyvät usein voimakkaasti näihin tapauksiin, koska asiakkaalle asti päätyvä vika on näkyvä, kallis ja yrityksen mainetta vahingoittava. Väärät hylkäykset saavat paljon vähemmän huomiota huolimatta siitä, että ne ovat yleisempi virhemuoto useimmissa automatisoiduissa tarkastusjärjestelmissä..
Teollisuus käyttää samaan ongelmaan useita päällekkäisiä termejä:
- Väärä hylky / väärä positiivinen — yleinen suunnittelualan termi
- Liioittelu — yleinen puolijohde- ja elektoniikkateollisuudessa
- Näennäishylkäys — Yleistä eurooppalaisessa teollisessa laadunvarmistuskirjallisuudessa
- Väärän hylkäyksen prosenttiosuus — mitattavissa oleva mittari: virheellisesti hylättyjen hyvälaatuisten osien osuus
Mikä sen nimi onkin, perusongelma on sama: tuotantokapasiteettia, materiaalia ja työvoimaa tuhlataan hyvän osan valmistamiseen, ja sitten se osa heitetään pois tai otetaan manuaaliseen uudelleentyöstöön, koska tarkastusjärjestelmä teki virheen.
Mikä aiheuttaa vääriä hylkäyksiä?
Väärät hylkäykset johtuvat harvoin yhdestä ainoasta viasta. Ne johtuvat tyypillisesti optisten, mekaanisten ja logiikkatason ongelmien kasautumisesta tuotantolinjalla, jota ei ole koskaan suunniteltu konenäön toleranssit mielessä pitäen.
Valaistus ja pinnan heijastus. Kiiltävät, heijastavat tai läpinäkyvät pinnat muuttavat ulkonäköään jo pienten ympäristö- tai kiinteistövalaistuksen muutosten myötä. Perinteinen, tietylle valaistusolosuhteelle viritetty näköjärjestelmä tulkitsee samaa hyvää osaa eri tavalla jo tunnin kuluttua.
Luonnontuotevaihtelu. Todelliset tuotantoerät vaihtelevat: pintakuvio, väri, täyttöaste ja etiketin sijoittelu. Sääntöpohjaiset järjestelmät käsittelevät kaikkia poikkeamia kiinteästä mallista virheenä, vaikka poikkeama olisi hyvinkin hyväksyttävän toleranssin rajoissa.
Anturi- ja mekaaninen ryömintä. Kameran asennon, tärinän sekä laukaisun tai valotuksen ajoituksen epäjohdonmukaisuudet heikentävät kaikki kuvattujen kuvien toistettavuutta, mikä puolestaan suoraan lisää virheluokittelujen määrää ajan myötä.
Jäykkä sääntöpohjainen logiikka. Tämä on rakenteellinen syy useimpien muiden taustalla. Perinteinen konenäkö ohjelmoidaan kiinteillä raja-arvoilla: mittaa tämä etäisyys, tarkista tämä pikseliarvo, vertaa tähän malliin. Sääntöpohjaiset järjestelmät ovat erityisen alttiita korkeille virheellisten hylkäysten määrille osissa, joissa on luonnollista pinnan vaihtelua, koska tietyn virheen havaitsemiseen viritetyt säännöt merkitsevät usein myös hyväksyttävän vaihtelun virhehälytyksenä. Järjestelmä ei osaa erottaa “tämä on virhe” ja “tämä on vain sitä, miltä hyvät osat joskus näyttävät”, koska sille ei ole koskaan näytetty tarpeeksi todellisia esimerkkejä tuon eron oppimiseksi.
Tuotteen vaihdot. Joka kerta, kun tuotevariantti muuttuu, sääntöpohjainen järjestelmä täytyy tyypillisesti ohjelmoida uudelleen ja hienosäätää asiantuntijan toimesta. Ennen kuin kyseinen uudelleenkalibrointi saadaan kohdilleen, virheellisten hylkäysten määrä nousee jyrkästi.
Mikä on väärien hylkäysten hinta?
Rehellinen vastaus on, että useimmat valmistajat eivät tiedä, koska virheellisiä hylkäyksiä seurataan harvoin omana mittarinaan. Ne hautautuvat romun, uudelleentyöstön tai “laatukustannusten” yhteissummiin ilman, että niitä eritellään, mikä tarkoittaa, että liiallisen laadun (overkill) todellinen taloudellinen vaikutus aliraportoidaan melkein aina.
Se, mitä käytettävissä oleva data kertoo meille:
- Teollisuus- ja järjestelmäinsinöörien instituutin (IISE) kokoaman tutkimuksen mukaan huonon laadun aiheuttamat kustannukset valmistusyrityksissä vaihtelevat 5%:sta 35%:hen liikevaihdosta, ja keskimäärin ne ovat noin 15%, tuotteen monimutkaisuudesta riippuen.
- American Society for Quality (ASQ) arvioi, että huonon laadun aiheuttamat kustannukset voivat nousta 10–20%:iin yrityksen liikevaihdosta, ja jokainen prosenttiyksikön vähennys parantaa suoraan tulosta.
- APQC:n vertailutietojen mukaan pelkästään hävikki ja uudelleenvalmistus aiheuttavat keskimääräiselle valmistajalle jopa 2,2%:n menetyksen vuotuisista tuloista. Parhaiten suoriutuvien valmistajien kohdalla tämä luku pysyy alle 0,6%:n, kun taas keskitasoisesti suoriutuvien valmistajien kohdalla se on lähempänä 1,4%:tä.
- Puolijohteiden ja elektroniikan valmistuksessa, jossa ylimitoitusta tutkitaan perusteellisemmin kuin useimmilla muilla aloilla, on todettu, että monimutkaisissa todellisissa olosuhteissa toimivat AOI-järjestelmät tuottavat yli 20%:n ylimitoitusasteita, mikä johtaa laadukkaiden tuotteiden hävikkiin ja pakottaa tekemään kalliita manuaalisia uusintatarkastuksia.
Virheelliset hylkäykset aiheuttavat kustannuksia useaa reittiä samanaikaisesti:
Suorien materiaalien hukka. Jokainen virheellisesti hylätty osa edustaa jo käytettyä materiaalia, energiaa ja työtä, joiden arvoa ei saada takaisin.
Menetetty suorituskyky. Linja, joka pysäyttää tai ohjaa muualle hyvää tuotetta, ei toimi todellisella kapasiteetillaan, vaikka tuotantoraportti näyttäisi linjan olevan “aktiivinen”.”
Manuaalinen uudelleentyöskentely- ja uudelleentarkastustyö. Hylätyt osat eivät katoa. Joku, tai jokin jatkoprosessi, joutuu tarkastamaan, lajittelemaan tai työstämään ne uudelleen, mikä tuo mukanaan työvoimakustannuksia, joita oikein toimiva tarkastusjärjestelmä ei olisi koskaan aiheuttanut.
Operaattorin luottamuksen kuluminen. Tämä kustannus on vaikeammin mitattavissa, mutta aivan yhtä todellinen. Kun aiheettomien hylkäysten määrä on korkea, käyttäjät alkavat ohittaa tai kiertää tarkastusjärjestelmän kokonaan, mikä tekee automatisoidusta laadunvarmistuksesta turhan. Järjestelmä, jonka paperilla hyvä tarkkuusluku ei nauti kenenkään luottamusta tuotantolattialla, ei itse asiassa toteuta laadunvarmistusta.
Seurantavaikutukset korkean tuotevaihtelun linjoille. Valmistajat, joilla on käytössään useita tuotenumeroita tai tiheitä tuotteen vaihtoja, ovat erityisen alttiina, sillä jokainen vaihto on uusi tilaisuus sääntöpohjaisen järjestelmän kynnysarvojen joutumiselle epäkalibrointiin, kunnes niitä säädetään uudelleen manuaalisesti.
Miten vähentää vääriä hylkäyksiä
Väärien hylkäysten määrän vähentäminen perustuu sen kuilun umpeen kuromiseen, mitä tarkastusjärjestelmä on säädetty odottamaan ja miltä todellinen tuotanto näyttää. On kolme vipua, joilla on merkitystä.
1. Korjaa se, minkä kamera näkee, älä vain sitä, minkä ohjelmisto päättää
Merkittävä osa virheellisistä hylkäyksistä syntyy kuvantamisvaiheessa ennen mitään päätöksenteon logiikkaa. Valaistuksen vakiointi (haja- tai kupuvalon käyttö heijastusten vähentämiseksi), hajavalon hallinta sekä kameran sijoittelun ja liipaisun ajoituksen pitäminen yhdenmukaisina vähentävät kaikki sitä raakadataan liittyvää vaihtelua, jota tarkastusjärjestelmän on ylipäätään tulkittava. Tällä on väliä riippumatta siitä, mikä tarkastusteknologia ketjussa on myöhemmin käytössä.
2. Korvaa kiinteät kynnysarvot todellisella datalla koulutetuilla malleilla
Tämä on rakenteellinen korjaus. Kiinteä sääntöpohjainen logiikka ei pysty erottamaan todellista vikaa hyväksyttävästä luonnollisesta vaihtelusta, koska sille ei koskaan näytetty kyseistä vaihtelua suoraan, vaan se ohjelmoitiin vain staattisella kynnysarvolla.
Tekoälypohjainen tarkastus toimii eri tavalla: se oppii hyvän ja huonon välisen rajan todellisista esimerkeistä, joissa on tunnisteet, mukaan lukien todella vaikeat rajatapaukset, jotka sotkevat jäykät säännöt. Tämä on sama periaate taustalla MarshallAI:n AFSA-alusta, joka voidaan opettaa tunnistamaan uusi tuote, virhetyyppi tai muunnos suoraan tuotantokuvista, ja täydelliset mallit voidaan rakentaa ja ottaa käyttöön vain 10 referenssikuvan pohjalta alle 100 minuutissa.
Tuo nopeus merkitsee erityisesti virheellisissä hylkäyksissä: kun tuote muuttuu, järjestelmä, jonka uudelleenohjelmointiin kuluu viikkoja, toimii kohonneella ylilaadulla viikkoja. Alle kahdessa tunnissa uudelleenkoulutettu järjestelmä sulkee kyseisen altistusikkunan lähes välittömästi.
3. Hallitse korkean sekoituksen tuotantoa ilman uudelleensäätöä jokaisen vaihdon yhteydessä
Valmistajille, jotka tuottavat useita tuotevariaatioita samalla tuotantolinjalla, mahdollisuus erottaa SKU:t toisistaan ilman manuaalista uudelleenkalibrointia estää suoraan edellä kuvatut tuotantovaihdoksista johtuvat väärien hylkäysten piikit. Tämä oli keskeinen haaste, jonka MarshallAI ratkaisi <a href="/fi/%e2%80%9dhttps%3a//marshallai.com/taerosol-automatisoitu-laadunvarmistus-korkean-sekoituksen-valmistuksessa/%e2%80%9d/">Taerosol</a>, joka valmistaa kosmeettisia aerosoleja suurella tuotevalikoimalla ja tiheillä tuotteen vaihdoilla, ja jossa sääntöperusteiset raja-arvot vaatisivat muuten uudelleensäätöä joka kerta, kun linjalla vaihdetaan tuoteversiota.
4. Käsittele linjanopeudella, älä väärin hylättyjen jonon nopeudella
Järjestelmä, joka ei pysty käsittelemään tuotantolinjan todellista nopeutta, aiheuttaa omanlaisen laatuongelman: osat kertyvät jonossa nopeammin kuin niitä ehditään tarkastaa, mikä lisää painetta joko hidastaa linjaa tai lieventää tarkastusrajoja – ja molemmat vaihtoehdot aiheuttavat suoria kustannuksia. MarshallAI:n ratkaisu, joka on otettu käyttöön eräälle suurelle suomalaiselle juomavalmistajalle, suorittaa automatisoitua laadunvarmistusta 2 000 tölkkiä minuutissa 99,9995%:n tarkkuudella, joka kattaa viallisten tölkkien tunnistuksen, päivämäärämerkintöjen tarkistuksessa sekä kolhujen ja naarmujen tunnistuksessa. Tämä osoittaa, että korkea linjanopeus ja alhainen väärien hylkäysten osuus eivät sulje toisiaan pois, kunhan tarkastuslogiikka on koulutettu asianmukaisesti.
Valvo tuotannossa, älä vain käyttöönoton yhteydessä
Tarkastustarkkuus ei ole pysyvä. Prosessiolosuhteet muuttuvat, materiaalien toimittajat vaihtuvat ja valaisimet vanhenevat. Väärien hylkäysten ja läpipääsyjen jatkuva seuranta käyttöönoton jälkeen – ei pelkästään alkuperäisen validoinnin aikana – on se, mikä havaitsee poikkeamat ennen kuin niistä tulee kallis ongelma.
Yhteenveto
Perusteettomat hylkäykset ovat kallis, huonosti mitattu ongelma, joka piilee useimpien valmistajien laadun kokonaiskustannuslukujen sisällä. Ne johtuvat optisen epäjohdonmukaisuuden, tuotteiden todellisen vaihtelun ja liian jäykän tarkastuslogiikan yhdistelmästä, joka ei pysty erottamaan virhettä täysin hyväksyttävästä osasta.
Korjaus ei ole yhden asetuksen muutos. Se on kuilun umpeen kuromista sen välillä, mitä tarkastusjärjestelmä on suunniteltu odottamaan ja miltä tuotanto todellisuudessa näyttää, mikä on täsmälleen se, mitä kiinteä, sääntöpohjainen konenäko ei rakenteellisesti pysty tekemään, ja mihin todelliseen dataan koulutettu tekoälypohjainen tarkastus on suunniteltu.
Jos aiheettomat hylkäykset näkyvät selittämättömänä jätteenä, hitaampana läpimenona tai siinä, että käyttäjät ohittavat tarkastusaseman hiljaisesti, se on yleensä merkki siitä, että taustalla oleva tarkastuslogiikka eikä tuotantolinja on todellinen ongelma.
Katso, kuinka MarshallAI:n AOI-alusta vähentää virheellisiä hylkäyksiä tai Pyydä demo arvioidaksesi sitä omalla tuotantodatallasi.
Usein kysytyt kysymykset
Valmistuksen laadunvarmistuksessa virheellinen hylkäys tarkoittaa sitä, että hyvälaatuiset tuotteet hylätään virheellisinä. Väärä hylky tarkoittaa sitä, kun tarkastusjärjestelmä luokittelee virheettömän ja vaatimustenmukaisen tuotteen virheelliseksi ja poistaa sen tuotannosta. Sitä kutsutaan myös ylilaaduksi, vääräksi positiiviseksi tai näennäisromuksi.
Mitä eroa on vähäröinnillä (väärällä hylkäyksellä) ja väärällä hyväksynnällä? Aiheeton hylkäys hylkäsi virheettömän kappaleen virheellisesti. Aiheellinen hyväksyntä eli läpipääsy puolestaan päästää viallisen kappaleen läpi virheellisesti. Molemmista aiheutuu todellisia kustannuksia, mutta läpipääsyt ovat paljon näkyvämpiä, koska ne tavoittavat asiakkaan, kun taas aiheettomat hylkäykset nielaistaan yleensä hiljaisesti romuna tai uudelleentyöstönä.
Miten virheellinen hylkäysprosentti (FRR) lasketaan? Virheellinen hylkäysaste on niiden aidosti hyvälaatuisten osien prosenttiosuus, jotka tarkastusjärjestelmä hylkäri virheellisesti. Se lasketaan jakamalla hylättyjen hyvälaatuisten osien määrä tarkastettujen hyvälaatuisten osien kokonaismäärällä.
Voiko tekoäly vähentää virheellisten hylkäysten määrää perinteiseen konenäköön verrattuna? Kyllä. Tekoälypohjainen tarkastus oppii päätösrajat todellisista, merkityistä tuotantotiedoista, mukaan lukien rajatapaukset, sen sijaan että se luottaisi kiinteisiin sääntöihin, jotka eivät pysty erottamaan aitoja vikoja hyväksyttävästä luonnollisesta vaihtelusta. Tämä tuottaa yleensä olennaisesti alhaisempia virheellisen hylkäyksen Määriä kuin sääntöpohjaiset järjestelmät, erityisesti tuotteissa, joissa on pintavaihtelua, tekstuuria tai usein vaihtuvia tuoteversioita.
Mitkä teollisuudenalat kärsivät eniten aiheettomista hylkäyksistä? Mikä tahansa nopea tai suurta tuotevaihtelua sisältävä tuotantoympäristö on alttiina, mutta kustannukset näkyvät selvimmin elintarvike-, kosmetiikka-, lääke- ja elektroniikkateollisuudessa, joissa linjanopeudet ovat suuria ja tuotteiden tai pakkausten vaihtelu on yleistä.
Lähteet: American Society for Quality (ASQ), Institute of Industrial and Systems Engineers (IISE), APQC Open Standards Benchmarking, MDPI Journal of Manufacturing and Materials Processing.
