09.12.2024
Automatyczna kontrola jakości w zakładzie produkcyjnym – komputerowe widzenie, edge AI i cyfrowe bliźniaki
Automatyczna kontrola jakości w zakładzie produkcyjnym – komputerowe widzenie, edge AI i cyfrowe bliźniaki
Studium przypadku: Zakład produkcyjny średniej wielkości (branża automotive, 850 pracowników), 24/6, ponad 4,2 mln komponentów rocznie. Kluczowy klient OEM zaostrzył wymogi jakościowe (limit PPM < 1 000), co wymusiło rewolucję w procesie kontroli końcowej. Projekt miał charakter strategiczny, obejmując modernizację od warstwy sensorycznej po integrację z ERP i CMMS.
Problemy ze starą kontrolą jakości
- Losowa kontrola partii – inspekcja 1/50 powodowała, że średnio 600 sztuk dziennie opuszczało linię bez kontroli końcowej.
- Granice percepcji ludzkiej – defekty poniżej 60 µm były często pomijane (błąd inspektora: 4,3%). Tolerancja klienta: 0,8% reklamacji.
- Koszt przestoju – każde zatrzymanie produkcji z powodu złej partii to średnio 1 350 zł/godz. straty (OEE, energia, czas pracy).
Cel transformacji
Wdrożyć system kontroli jakości klasy Industry 4.0, który:
- Wykrywa defekty < 50 µm na produkcie w czasie rzeczywistym, z dokładnością ≥ 98%.
- Reaguje bez udziału człowieka – np. zatrzymaniem palety lub zleceniem serwisu.
- Symuluje przyszłe awarie dzięki danym historycznym i predykcji jakości.
Całość oparta o warstwę Computer Vision (CV), inferencję na brzegu (Edge AI), cyfrowe bliźniaki (Plant Simulation) i orkiestrację przez RPA.
Architektura systemu jakości 4.0
- 6 kamer (5 MPx) na przenośnikach – pokrywają 100% geometrii detalu z oświetleniem koaksjalnym.
- Enkoder 200 imp/obr – synchronizuje zapis klatki z ruchem linii.
- Sterownik Siemens S7-1500 – zintegrowany przez OPC UA z systemem SCADA/MES.
- Edge Box Jetson AGX – przetwarza obraz w czasie < 40 ms (1080p), hostując Triton Inference Server w kontenerze Docker.
2. Warstwa AI
YOLOv7 przetrenowany na bazie 270 000 zdjęć publicznych i 3 500 ujęć zakładowych. Transfer learning zastosowany do identyfikacji mikrouszkodzeń i niedolewów. Średni [email protected] = 0,982 w produkcji.
Siemens Plant Simulation odtwarza cykle produkcyjne i zużycie narzędzi. Dane telemetryczne z Edge Box przesyłane są co 10 s (MQTT). Model przewiduje ryzyko wzrostu PPM o ≥0,6 w horyzoncie 72 godzin – uruchamiane są wtedy prewencyjne zlecenia serwisowe.
UiPath generuje zlecenia w CMMS i powiadomienia do dostawców (SPC alert). W przypadku defektu, zablokowana jest paleta poprzez komunikację z PLC, a raport trafia do lidera zmiany przez Microsoft Teams.
Przebieg wdrożenia
Tydzień 1–4 – PoC
- 2 gniazda testowe: analiza precyzji wykrycia, testy warunków oświetleniowych, walidacja współczynnika fałszywie dodatnich detekcji (FPR < 1%).
- Równoległa analiza korelacji jakości z parametrami procesowymi (np. docisk, TTS, temperatura emulsji).
Tydzień 5–12 – Rollout
- Instalacja sprzętu w ruchu – bez zatrzymywania linii produkcyjnej.
- Integracja z MES – natychmiastowa blokada palety przy defekcie.
- Test niezawodności – uptime systemu vision: 99,98% w cyklu 168 h.
Tydzień 13–20 – Cyfrowy bliźniak
Symulacje scenariuszy zużycia narzędzi. Wykryto zależność między wzrostem mAP false-negative a temperaturą pracy narzędzia powyżej 68°C. Zautomatyzowano harmonogram mikroserwisów (np. czyszczenie prowadnic co 2 300 cykli).
Rezultaty po 6 miesiącach
- PPM spadł z 5 540 do 740 (redukcja o 86%).
- Redukcja kosztu złomu o 612 000 zł rocznie.
- Szybsza reakcja utrzymania ruchu: z 125 min → 12 min (na podstawie predykcji z Plant Simulation).
- Poprawa OEE linii produkcyjnej o 3,9 punktu procentowego.
- Zwrot inwestycji po 8 miesiącach, ROI = 128%.
Finanse – bilans roczny
| Pozycja | Wartość (PLN) |
|---|---|
| CAPEX (kamery, Edge AI, infrastruktura) | 820 000 |
| OPEX (wsparcie, retrain, integracje) | 190 000 |
| Oszczędność kosztów złomu | 612 000 |
| Oszczędność z redukcji przestojów | 414 000 |
Kluczowe lekcje i rekomendacje
- Oświetlenie to podstawa – niestabilne LED-y dają więcej fałszywych alarmów niż słabe modele. Użyj CRI > 95.
- Edge AI zamiast chmury – brak opóźnień sieciowych, działanie offline, zgodność z polityką IT.
- Data governance – katalogowanie metadanych (partia, operator, narzędzie) pozwala na szybki retrain modelu po zmianie surowca.
- Interwencja fizyczna – blokada palety na linii jest skuteczniejsza niż e-mail z alertem – brak zależności od reakcji człowieka.
Podsumowanie
Systemy kontroli jakości 4.0 nie tylko eliminują defekty, ale i przewidują je z wyprzedzeniem. Kombinacja CV, Edge AI, cyfrowych bliźniaków i automatyzacji pozwala przejść z inspekcji próbnej do inspekcji pełnej – bez zatrzymywania produkcji. Jeśli Twoja linia generuje ponad 1 mln zł strat jakościowych rocznie, podobna inwestycja zwróci się w ciągu 8–12 miesięcy.
Skontaktuj się z nami, by uzyskać darmowy audyt linii i propozycję pilotażu.
Autor: JCD
Stale łączymy metody kreatywne z systematycznym, badawczym podejściem, przekonani, że jedynie przez dogłębną analizę i zrozumienie specyfiki wyzwań, jesteśmy w stanie w pełni współpracować z naszymi klientami w celu kreowania innowacyjnych rozwiązań. Te rozwiązania nie tylko ulepszają doświadczenie użytkowników, ale również zapewniają naszym klientom strategiczną przewagę na rynku. Nasze procesy projektowe są zatem oparte na aktywnym słuchaniu, szczegółowej analizie i ciągłym dialogu z klientami. W ten sposób nieustannie pracujemy na rzecz tworzenia nie tylko technologii, ale także wartości, które wyznaczają nowe standardy w cyfrowym krajobrazie biznesu.