Audi: Η εφαρµογή της τεχνητής νοηµοσύνης

Τα τελευταία δύο χρόνια, οι εγκαταστάσεις της εταιρείας στο Neckarsulm, στη νοτιοδυτική Γερµανία, ήταν ο τόπος διεξαγωγής ενός πιλοτικού έργου που αποσκοπούσε στη διερεύνηση των δυνατοτήτων χρήσης τεχνητής νοηµοσύνης για τον έλεγχο της ποιότητας των 5.300 σηµειακών συγκολλήσεων στο αµάξωµα ενός Audi A6.
Στο παρελθόν η διαδικασία περιελάµβανε τυχαία δειγµατοληψία µέσω της χειροκίνητης εφαρµογής σάρωσης µε υπερήχους. Όµως, στη νέα διάταξη χρησιµοποιείται αλγόριθµος τεχνητής νοηµοσύνης για να καταστεί δυνατός ο έλεγχος της ποιότητας των συγκολλήσεων σχεδόν 100%, παρέχοντας καθοδήγηση σε έναν έµπειρο ελεγκτή µε τη χρήση µιας οθόνης δίπλα στις γραµµές παραγωγής. Αυτή η βασική µεθοδολογία επιβεβαιώνεται από τον Mathias Mayer, έναν ειδικό της Audi στην εφαρµογή της (AI) στο εργοστάσιο, ο οποίος εξηγεί ότι «η τεχνητή νοηµοσύνη δίνει τώρα στον ελεγκτή τις πληροφορίες που πρέπει να ελέγξει, αλλά η διεπαφή του χρήστη εξακολουθεί να είναι ζωτικής σηµασίας για την οπτικοποίηση των αποτελεσµάτων της (AI)».
Ο Mayer εξηγεί περαιτέρω ότι τα ακατέργαστα δεδοµένα που συλλέγονται από τα ροµπότ συγκόλλησης είναι «πολύ σύνθετα» και δύσκολα επεξεργάσιµα µε συµβατικές µεθόδους. «Χρησιµοποιούµε περίπου 200 µεταβλητές από τη διαδικασία συγκόλλησης. Κάθε συγκόλληση χρειάζεται περίπου 400 έως 1.000 χιλιοστά του δευτερολέπτου για να ολοκληρωθεί και κάθε µία µετριέται». Ωστόσο, τα δεδοµένα δεν επεξεργάζονται τοπικά, αλλά αντίθετα επεξεργάζονται στο Cloud της Amazon Web Services (AWS), προτού εµφανιστούν για να τα ελέγξει ο επιθεωρητής.
Πιλοτικό έργο Audi WPS Analytics
Η οµάδα του πιλοτικού έργου «WPS Analytics» µε επικεφαλής τους Andreas Rieker και Mathias Mayer χρησιµοποιεί τεχνητή νοηµοσύνη (AI) για τον αυτόµατο εντοπισµό προβληµάτων ποιότητας σε πραγµατικό χρόνο. Σε αυτό το αρχικό επίπεδο, ως εργαλείο υποστήριξης συγκεκριµένων εφαρµογών, η Audi είναι απόλυτα ικανοποιηµένη µε τα µέχρι τώρα αποτελέσµατα και προχωρά τώρα σε πλήρη εφαρµογή. «Το έργο έχει τεθεί σε λειτουργία εδώ και δύο χρόνια και τώρα θα συνεχιστεί στην παραγωγή», επιβεβαιώνει ο Mayer. Μακροπρόθεσµα, όµως ο στόχος είναι, να «αυτοµατοποιηθούν πλήρως οι ελέγχοι ποιότητας», ώστε στο µέλλον να καταστεί δυνατή «η αυτόµατη προσαρµογή της διαδικασίας συγκόλλησης για την εξάλειψη τυχόν σηµαντικών αποκλίσεων».
Αλλά το όραµα της εταιρείας για τη χρήση της τεχνητής νοηµοσύνης στις διαδικασίες παραγωγής είναι πολύ ευρύτερο, επιβεβαιώνει ο Michael Haeffner, επικεφαλής της ψηφιοποίησης και διαχείρισης παραδόσεων για την παραγωγή και τα logistics. «Το πιλοτικό έργο στο Neckarsulm αποσκοπεί στην απόδειξη της βιωσιµότητας της τεχνητής νοηµοσύνης τόσο σαν γενική δυνατότητα υποστήριξης, όσο και για τη συγκεκριµένη εφαρµογή. Η συγκόλληση είναι µια εξαιρετικά τυποποιηµένη τεχνολογία που χρησιµοποιείται εκτενώς στον όµιλο Volkswagen και την επιλέξαµε ειδικά για να δηµιουργήσουµε ένα πρότυπο πλατφόρµας Industry 4.0. «Τώρα το καταφέραµε αυτό, ώστε άλλες διαδικασίες παραγωγής, όπως η τεχνολογία βιδών, το πριτσίνισµα και η συγκόλληση, να µπορούν να ρυθµιστούν λεπτοµερώς µέσω αυτής της πλατφόρµας».
Το Neckarsulm είναι ο ιδανικός χώρος για την ανάπτυξη εφαρµογών τεχνητής νοηµοσύνης σε ολόκληρο τον όµιλο VW. «Ως πιλοτικό εργοστάσιο για την ψηφιακή παραγωγή και τα logistics, στόχος µας είναι να δοκιµάσουµε και να αναπτύξουµε ψηφιακές λύσεις για την κατασκευή οχηµάτων µέχρι τη χρήση τους στη σειριακή παραγωγή. Με τη χρήση της τεχνητής νοηµοσύνης σε αυτό το έργο δοκιµάζουµε µια σηµαντική τεχνολογία-κλειδί που θα καταστήσει την Audi έτοιµη για το µέλλον», αναφέρει ο Haeffner.
Η ίδια η εταιρεία πιστεύει ότι η τεχνητή νοηµοσύνη µπορεί να υποστηρίξει βελτιωµένες λειτουργίες παραγωγής σε µια σειρά από καθορισµένα πλαίσια. Ενδεικτικά η ΑΙ είναι µια από τις σηµαντικότερες τεχνολογίες που µπορεί να προσφέρει η εταιρεία για την παραγωγή προϊόντων, όπως:
– Την αποφυγή για χειροκίνητη διαµόρφωση νέων εξαρτηµάτων -µια δυνατότητα που ενισχύεται από το γεγονός ότι οι αισθητήρες που χρησιµοποιούνται µε την ΑΙ είναι πολύ απλούστεροι από ότι µε τις συµβατικές προσεγγίσεις- καθώς µεγάλο µέρος της πολυπλοκότητας απεικονίζεται σε λογισµικό, το οποίο είναι φθηνότερο από ότι το υλικό.
– Τη δυνατότητα των βελτιωµένων µε τεχνητή νοηµοσύνη λύσεων να ελέγχουν αρκετές χιλιάδες εξαρτήµατα κάθε δευτερόλεπτο, όταν εκτελούνται σε κατάλληλο ισχυρό υλικό.
– Τους αλγόριθµους που λειτουργούν πιο αξιόπιστα και έτσι όταν χρησιµοποιούνται, για παράδειγµα σε εφαρµογές που βασίζονται στην όραση, µπορούν να αντιµετωπίσουν ευκολότερα διαφορετικές συνθήκες φωτισµού ή τύπους καµερών.
– Την ικανότητα των συστηµάτων ενισχυµένης τεχνητής νοηµοσύνης να «µαθαίνουν» από παραδείγµατα εκπαίδευσης, ώστε να µην αποτελούν στατικές λύσεις, αλλά να βελτιώνονται συνεχώς.
Κοινή χρήση στο βιοµηχανικό νέφος
Το υπολογιστικό νέφος, εξάλλου, δεν χρησιµεύει µόνο για την παροχή επεξεργαστικής ισχύος για εφαρµογές AI, αλλά και για τη διάδοσή τους σε ολόκληρη την εταιρεία, αφού αναπτυχθούν και δοκιµαστούν. Πράγµατι, το έργο στο Neckarsulm αποτελεί µέρος του Industrial Cloud της Volkswagen, το οποίο χαρακτηρίζεται ως η συγκέντρωση δεδοµένων παραγωγής από τα εργοστάσια του οµίλου σε όλο τον κόσµο σε µια ενιαία ψηφιακή πλατφόρµα. Η εταιρεία είναι πεπεισµένη ότι η δυνατότητα συνδυασµού δεδοµένων από όλα τα εργοστάσια θα ανοίξει νέες δυνατότητες για την περαιτέρω βελτίωση της αποδοτικότητας και της ευελιξίας της παραγωγής σε όλες τις τοποθεσίες της.
Επιπλέον, κάθε συνδεδεµένο εργοστάσιο µπορεί να κατεβάζει εφαρµογές για τα µηχανήµατα, τα εργαλεία και τα συστήµατά του απευθείας από το Industrial Cloud. Εκτός από την AWS ο άλλος εξωτερικός συνεργάτης στη λειτουργία αυτής της εταιρικής εφαρµογής του cloud είναι η Siemens. Σύµφωνα µε τη Volkswagen η AWS συνεισφέρει την τεχνογνωσία στην εκµάθηση µηχανών και τις υπηρεσίες υπολογιστικού νέφους, ενώ η Siemens πραγµατοποιεί την ενσωµάτωση των συστηµάτων παραγωγής, των µηχανηµάτων και των εγκαταστάσεων διαφόρων κατασκευαστών στα εργοστάσια όλου του κόσµου.
Άλλη µια εφαρµογή συγκόλλησης µε τεχνητή νοηµοσύνη έχει εφαρµοστεί και σε άλλο εργοστάσιο του οµίλου Volkswagen, στο Emden, στα βορειοδυτικά της χώρας. Σύµφωνα µε την εταιρεία, η AI αξιοποιεί την ανάλυση της σηµειακής συγκόλλησης για να παρέχει µεγαλύτερη διαφάνεια και αποτελεσµατικότητα στο εργαστήριο φανοποιείας, ενσωµατώνοντας και αναλύοντας τα δεδοµένα που παράγονται από τα ροµπότ συγκόλλησης, τα οποία περιγράφονται ως «ένα µέχρι σήµερα αχρησιµοποίητο δυναµικό δεδοµένων παραγωγής». Η εταιρεία υπογραµµίζει ότι ο αλγόριθµος στο εργοστάσιο της στο Emden αναλύει αλλά δεν ελέγχει τις διαδικασίες. Αντίθετα, οι αλλαγές στη διαδικασία εµφανίζονται και στη συνέχεια ελέγχονται.
Εφαρµογές τεχνητής νοηµοσύνης της Audi
Η τεχνητή νοηµοσύνη χρησιµοποιήθηκε στη δηµιουργία µιας δυνατότητας αναγνώρισης εικόνας για τον εντοπισµό ρωγµών σε τµήµατα λαµαρίνας. Ένα άλλο εργοστάσιο της Audi, που ασχολήθηκε για την ανάπτυξη µιας ενισχυµένης µε τεχνητή νοηµοσύνη διαδικασίας παραγωγής είναι το Ingolstadt στη Βαυαρία. Σε αυτό το εργοστάσιο η εφαρµογή αφορούσε τη δηµιουργία δυνατότητας αναγνώρισης εικόνας για τον εντοπισµό ρωγµών σε µεταλλικά εξαρτήµατα. Το έργο, το οποίο ξεκίνησε πριν από τρία χρόνια, στόχευε συγκεκριµένα στην αναβάθµιση ενός υφιστάµενου συστήµατος αναγνώρισης εικόνας µε τη χρήση καµερών, που είναι εγκατεστηµένες στις πρέσες που χρησιµοποιούνται για την κατασκευή των εξαρτηµάτων.
Τις λεπτοµέρειες επιβεβαιώνει ο Johannes Schniertshauer, ειδικός στην οµάδα σχεδιασµού δεδοµένων και ανάπτυξης προϊόντων της Audi. Αναφέρει, ότι η συγκεκριµένη εφαρµογή είχε αρκετά χαρακτηριστικά που την καθιστούσαν κατάλληλη για τη χρήση της τεχνητής νοηµοσύνης. «Συχνά υπάρχουν πολλά εξαρτήµατα προς επιθεώρηση και εποµένως αυτή είναι µια επαναλαµβανόµενη εργασία. Υπάρχει επίσης σαφής ορισµός του τι πρέπει να ανιχνευθεί, που στην προκειµένη περίπτωση είναι πολύ λεπτές ρωγµές». Το υλικό που χρησιµοποιείται είναι ένα µείγµα παλαιού και νέου υλικού. Η πραγµατική τεχνολογία ανίχνευσης εικόνας, για παράδειγµα, παραµένει αµετάβλητη. «Χρησιµοποιούµε κανονικές βιοµηχανικές κάµερες για να τραβήξουµε φωτογραφίες των κρίσιµων περιοχών των εξαρτηµάτων. Αυτές οι φωτογραφίες αξιοποιούνται σε πραγµατικό χρόνο για να προσδιορίσουµε αν ένα εξάρτηµα έχει υποστεί ζηµιά. Σε σύγκριση µε την προηγούµενη πρακτική, όµως, απαιτείται πιο εντατική υπολογιστική ισχύς. «Η εφαρµογή απαιτεί ειδικό υλικό για την επιτάχυνση της απόδοσης των νευρωνικών δικτύων. Προκειµένου να διασφαλιστεί η αξιοπιστία της λύσης και οι µικρές καθυστερήσεις, οι υπολογισµοί εκτελούνται στο τοπικό µας κέντρο δεδοµένων», εξηγεί ο Schniertshauer.
Η ανάπτυξη της εφαρµογής διήρκεσε περίπου δύο χρόνια, για τη σύνταξη του συνόλου δεδοµένων που χρειαζόταν για την εκπαίδευση των αλγορίθµων. «Δεδοµένου ότι έχουµε πολύ υψηλή ποιότητα στην παραγωγή, η συλλογή ελαττωµατικών δειγµάτων χρειάστηκε αρκετό χρόνο», εξηγεί ο Schniertshauer. Προσθέτει δε, «ότι η συλλογή δεδοµένων πρέπει να είναι σε µεγάλο βαθµό αυτοµατοποιηµένη και ότι η επιτυχής εφαρµογή λύσεων υπολογιστικής όρασης βασισµένων στην τεχνητή νοηµοσύνη απαιτεί µια ενοποιηµένη πλατφόρµα για την κλιµάκωση τέτοιων λύσεων ανάλογα µε τις απαιτήσεις. Αυτό οδήγησε στη δηµιουργία της πλατφόρµας Volkswagen Vision Workbench. Η πιο κρίσιµη απαίτηση, ωστόσο, ήταν ένα «ποιοτικό σύνολο δεδοµένων κατάρτισης, το οποίο απαιτούσε στενή συνεργασία µε τους ειδικούς του τοµέα µας».
Ανάπτυξη ενός αυτοβελτιούµενου συστήµατος
Όµως το έργο ήταν τόσο επιτυχηµένο που ο Schniertshauer είναι σε θέση πει ότι όχι µόνο «η λύση λειτουργεί στο εργοστάσιο του Ingolstadt», αλλά και ότι «σχεδιάζουµε να την αναπτύξουµε στο Neckarsulm αργότερα µέσα στο έτος». Όπως εξηγεί «το σύστηµα µπορεί να χρησιµοποιηθεί για την επιθεώρηση των εξαρτηµάτων σε κάθε όχηµα που παράγεται και στα δύο εργοστάσια».
Επιπλέον, η λειτουργία του έχει αναγνωρίσιµα οφέλη. «Απαιτείται λιγότερη προσπάθεια για τη διαµόρφωση µιας λύσης όταν παράγονται νέα εξαρτήµατα, καθώς τα νευρωνικά δίκτυα µπορούν να γενικεύουν. Επιπλέον, η απόδοση του συστήµατος είναι πλέον πιο αποδοτική καθώς οι αλγόριθµοι εξακολουθούν να είναι αξιόπιστοι εάν υπάρχουν αλλαγές στις συνθήκες, όπως οι νέες θέσεις των εξαρτηµάτων, ο φωτισµός ή το πλαίσιο». Επιπλέον η λύση είναι, στην πραγµατικότητα αυτοβελτιούµενη. «Το ολοένα και αυξανόµενο σύνολο δεδοµένων που χρησιµοποιείται για την εκπαίδευση το καθιστά πιο αξιόπιστο µε την πάροδο του χρόνου. Προσθέτει δε, ότι η νέα δυνατότητα αναπτύχθηκε χωρίς τη βοήθεια εξωτερικών φορέων.
Ολόκληρη η εφαρµογή αναπτύχθηκε εσωτερικά από τους µηχανικούς µηχανικής µάθησης και τους προγραµµατιστές της Volkswagen. Επίσης η καθηµερινή λειτουργία του συστήµατος στο εργοστάσιο απαιτεί νέες δεξιότητες από τους ανθρώπους που εργάζονται εκεί και αλληλεπιδρούν µε αυτό. «Αυτό ήταν µια βασική απαίτηση», δηλώνει µε έµφαση. «Ως εκ τούτου, η Audi πιστεύει ότι είναι σε θέση να περιγράψει τον ρυθµό ανάπτυξής της στις εφαρµογές τεχνητής νοηµοσύνης ως «καταιγιστικό», επιβεβαιώνοντας ότι ήδη εργάζεται για τη χρήση έξυπνων αλγορίθµων για τη βελτιστοποίηση των διαδικασιών και των προϊόντων σε όλα τα επιχειρηµατικά τµήµατα στο µέλλον».
Πηγή: www.automotivemanufacturingsolutions.com