Производство трансформируется у нас на глазах. И новые технологии, такие как облачные решения, цифровые близнецы и искусственный интеллект, опираются на промышленную метрологию, чтобы обеспечивать эту эволюцию. В новом материале мы разберем, чего стоит ожидать от новых систем качества и как меняется цель метрологического управления для решения промышленных возможностей и задач.

Производители находятся под давлением необходимости выпускать на рынок более качественную продукцию быстрее, безопаснее и чище чем когда-либо. Не менее важны и другие факторы, такие как время выхода на рынок и темпы инноваций.

Для достижения этих целей повышение качества новой продукции является главным приоритетом.

Но проблемы с качеством сопутствуют любому бизнесу, не смотря на любые усилия. Традиционные методы контроля качества больше не удовлетворяют современным запросам, и мы должны ускорить переход от реактивного подхода к проактивному, в том числе и в отношении качества.

В контексте цифровой трансформации крупнейшими драйверами изменений для повышения качества являются интеллектуальное производство, данные, связанность, сотрудничество, автоматизация, производительность, инновации и устойчивость.

Качество данных будет иметь ключевое значение

Все начинается с данных. Они являются новой валютой мира интеллектуального производства. Только имея в своем распоряжении правильные данные, мы можем принимать обоснованные решения и разрабатывать верные стратегии управления качеством. Большинство производителей сталкиваются с трудностями, связанными в первую очередь с качеством данных, которые часто бывают неполными, устаревшими или неточными.

С точки зрения метрологии одним из важнейших требований является обеспечение целостности данных и внедрение передовых методов в производство путем перехода от опоры на индивидуальные знания и разрозненный опыт к улучшению соответствия отраслевым стандартам таких организаций, как ASME и ISO.

Вот почему такие компании, как Hexagon, вместе с другими поставщиками технологий фокусируется на инновациях в области программного и аппаратного обеспечения, обеспечивающих быстрые, надежные и, главное, воспроизводимые измерения. Следование формуле «больше данных за меньшее время с более высокой степенью точности» позволяет производителям ускорить выход продукции на рынок, не рискуя проблемами с качеством.

Неотъемлемой частью этого является упрощение измерений и оптимизация рабочих процессов отчетности и анализа. Устранение сложности из метрологических систем для обеспечения их простоты использования даже для менее опытных операторов особенно важно, учитывая растущий разрыв в навыках, вызванный уходом на пенсию высококвалифицированных инженеров-метрологов.

От автоматизации к автономности

Естественно, автоматизация будет играть в ближайшем будущем все более важную роль. На CMM (Координатно-измерительная машина — устройство для измерения геометрических размеров объекта) мы уже сейчас можем автоматизировать создание программ измерений для призматических деталей непосредственно из данных автоматизированного проектирования (CAD). По мере того, как программное обеспечение становится более функциональным, мы будем двигаться к автоматизации всего процесса измерения для любой детали. Автоматизация начнет охватывать все этапы процесса: от программирования до выполнения процедур измерения, а затем составления отчетов и анализа.

Портативная метрология также выиграет от расширенной автоматизации. Хотя эти устройства обычно управляются человеком, многие устройства подходят для автоматизации, и разработки продвигаются вперед быстрыми темпами. Приведя лишь несколько примеров, мы увидим больше встроенных систем и расширяющееся использование и возможности роботизированной автоматизации с лазерным трекером и AGV (автоматизированные управляемые транспортные средства) в производственных процессах.

Переход от автоматизации к настоящей автономности заключается в добавлении моделей глубокого обучения для продвижения самообучающихся, мыслящих систем ИИ. Чем больше данных и опыта обучения они получают, тем лучше и точнее становятся эти системы. Получение знаний в конкретной предметной области позволяет системе предпринимать интеллектуальные, автономные действия.

Автономность касается не только измерений. Это также цикл, замкнутый на производственный процесс. Наша конечная цель для самообучающихся систем — выйти за рамки прогнозных возможностей, научить системы понимать причины несоответствий и других проблем с качеством и предлагать четкие рекомендации по исправлению или вносить необходимые изменения автономно. Именно здесь искусственный интеллект берет верх, и он будет иметь огромное значение в ближайшие годы.

Конечно, не все может или должно быть автоматизировано. Некоторые потребности в измерениях всегда будут лучше всего удовлетворяться ручными проверками с использованием, например, портативных измерителей или ручных сканеров. Но и здесь глубокое обучение и ИИ сыграют свою роль в том, чтобы сделать измерения лучше, проще и быстрее.

Качество зависит от связанных данных и сотрудничества

Чтобы производить более качественные продукты лучшим из доступных способов — чтобы поднять качество на новый уровень — нам необходимо объединить данные по всей цепочке создания стоимости для более интегрированного, совместного подхода к производству.

Чтобы данные и сотрудничество приносили максимальную пользу, они должны охватывать этапы проектирования, производства и проверки и даже выходить за их рамки, охватывая клиентов и сторонних поставщиков. Это означает, что нам нужны связанные, интегрированные системы, которые объединяют данные, позволяя всем отделал производства пользоваться ими.

Самый большой потенциал существует в объединении идей и усилении сотрудничества между командами по контролю качества, проектированию и производству.

Для этого требуется совместное использование точных метрологических и других данных о качестве на каждом этапе производства. Каждая Координатно-измерительная машина, портативное измерительное устройство, каждый датчик и часть программного обеспечения на предприятиях производителя должны быть собраны в единую взаимоподключенную систему, в рамках которой данные будут связующей нитью.

В этом отношении метрологические офисы будут развиваться в направлении того, чтобы стать инновационными центрами и драйверами непрерывного совершенствования, которым поручено преобразовать процессы измерения и контроля качества в полностью оцифрованные сквозные процессы.

Они будут отвечать за обеспечение интегрированного технологического стека систем и процессов, которые позволяют командам по всей цепочке создания стоимости, как на нисходящем, так и на восходящем этапе, максимально эффективно использовать метрологические данные.

Поставщики метрологических технологий со своей стороны спешат помочь, разрабатывая унифицированные облачные аппаратные и программные системы, которые связывают данные, людей и процессы и предлагают более простую чем когда-либо интеграцию в интеллектуальную производственную среду производителя.

Сдвиг влево: эволюция от реактивных к проактивным измерительным центрам

43% производителей считают, что приоритизация конечного качества и технологичности на более ранних этапах принесет наибольшую пользу их производственному процессу и жизненному циклу продукта. Данные метрологии будут играть все более важную роль в этом так называемом «сдвиге влево» в производстве, который преобразует способ обеспечения качества.

Сдвиг влево подчеркивает перемещение мероприятий по обеспечению качества на более ранние этапы жизненного цикла продукта.

Проще говоря, это усилия по обнаружению, идентификации и решению потенциальных проблем с качеством как можно раньше, что упрощает и упрощает устранение этих проблем и экономию ресурсов. Такой подход принципиально отличается от традиционного реактивного взгляда на контроль качества, который видит место метрологического оборудования в первую очередь в окончательных контрольных проверках в конце производственного процесса. Вместо этого метрологические данные будут все чаще применяться для сближения этапов проектирования, изготовления и проверки производства в связанных цифровых системах, которые повышают качество на каждом этапе производственной цепочки создания стоимости.

Метрологическое моделирование

Наиболее серьезные преобразования в области моделирования произойдут, когда произойдет интеграция измерений реального мира в цифровые модели проектирования и моделирования. Это позволит производителям тестировать проекты и улучшать производственные процессы с помощью виртуальных прототипов, которые более точно прогнозируют и предотвращают проблемы с качеством. Здесь метрологические данные импортируются для улучшения и проверки моделирования повторяющихся процессов для точной оценки конструкции детали и совокупных эффектов производственного процесса для проверки их влияния на качество.

Добавление ИИ к этим рабочим процессам моделирования позволяет проводить инспекцию в замкнутом цикле, где принятие решений на основе данных с помощью ИИ дает нам динамическое понимание того, что мы должны проверять. Это гарантирует, что мы измеряем только то, что нам нужно измерить, экономя время, усилия и затраты.

Эти методы помогают производителям улучшить проектирование для технологичности и производства, позволяя инженерам прогнозировать и компенсировать такие факторы, как деформация деталей и геометрические допуски до начала физического производства. Слияние физического и цифрового ускоряет прототипирование, которое во многих случаях останется почти полностью в виртуальном мире, помогая оптимизировать детали и процессы для качества и скорости, одновременно сокращая отходы материалов.

Уже сейчас в мире промышленности можно видеть яркие примеры применения метрологического моделирования, такие как компенсация геометрии 3D-печати и решения для виртуальной сборки изделий. Их растущее внедрение в различных процессах в различных отраслях промышленности в ближайшие годы обеспечит беспрецедентный уровень контроля и эффективности на ранних этапах производства.

Больше внимания будет уделяться оценке структурной целостности изделий

В течение следующих 10 лет метрологический офис больше не будет фокусироваться только на размерах и положительной идентификации материалов (PMI). Нам необходимо знать не только, имеет ли компонент правильные размеры, но и является ли он конструктивно надежным. Неразрушающие методы оценки, такие как компьютерная томография, ультразвук и шероховатость поверхности, также являются ключевой частью истории качества. При использовании в моделировании эти методы получают не только размеры, но и внутренние характеристики и особенности, которые мы должны измерять, а также допуски, с которыми мы должны сравнивать.

Многослойность размерного и внутреннего анализа становится все более важной.

Сдвиг вправо — к клиентам и их поставщикам

Поскольку качество является вопросом всего бизнеса, преимущества обмена данными и сотрудничества в плане качества выходят далеко за рамки этапов проектирования и изготовления, а также за пределы непосредственного производственного объекта.

Например, поставщики клиента также могут быть интегрированы в процесс качества. В такой ситуации, когда изделие доставляются производителю, уже будет подтверждено, что они пригодны для использования. Команды цепочки поставок, производства и метрологии также могут сотрудничать для решения любых проблем с поставщиками, влияющих на качество продукции. Метрологическое бюро будет работать с расширенной цепочкой создания ценности и гораздо более глубокой интеграцией рабочих процессов вверх и вниз по течению в будущем.

ИИ меняет промышленный ландшафт, но человеческий опыт все еще не заменим

Самыми большими переменами в контроле и обеспечении качества являются аналитика больших данных, машинное обучение и ИИ.

ИИ является важнейшей частью нашего метрологического пути, который необходим для предоставления возможностей, необходимых нам для повышения качества на текущей скорости производства. Это ответ на использование ценности из растущего объема доступных сейчас данных и на обнаружение ранее невиданных корреляций, которые повышают эффективность и конкурентоспособность. Если данные — это валюта, мы должны инвестировать в инструменты, которые увеличивают инвестиции и заставляют данные работать наиболее эффективным способом.

ИИ преобразует производительность производства с помощью множества инноваций:

• Он дает мозг автоматизированным процессам.

• Он будет собирать и сохранять знания, гарантируя, что критические навыки и опыт не будут потеряны.

• Он поможет повысить квалификацию следующего поколения.

• Он откроет новые, более гибкие и интеллектуальные модульные программные приложения.

Системы ИИ будут расширять навыки людей. Они не будут брать на себя все, а скорее будут служить помощниками качественных специалистов, которые, как эксперты в предметной области, будут свободны применять свои знания более стратегически в деятельности по добавлению стоимости. Человеческая экспертиза останется существенной. Люди будут помогать совершенствовать модели, и в конечном итоге именно человек будет решать, будет ли принято то или иное решение.

Рекомендовано

Зося Герчикова: Цикл «Управление потоком». Статья №2

03 февраля в 10:00

12

6275

Денис Тверской: Окупаемость проекта обучения LSS в 2-3 раза? Легко! (Обидчивым HRам читать не рекомендуется)

02 марта в 16:00

7478

• Обучаем и внедряем с 1999 года! Создадим систему вместе и вперед за результатом!
• Уникальный практический онлайн курс для руководителей и специалистов, который включает разработку Дорожной карты развития вашей Производственной системы.