第一款用于涂裝車間的市場化 AI 應用程序

Advanced Analytics 是第一款用于涂裝車間的市場化 AI 應用程序。該智能解決方案結合了最新的 IT 技術和機械工程專業知識，可識別缺陷來源并確定最佳的維護計劃。它還能追蹤以前未知的相關性，并利用該知識，結合自學習原理使算法適應于整個車間。Advanced Analytics 是 DXQanalyze 產品系列的最新模塊。最初的實際應用表明，杜爾的軟件可以優化車間可用性和噴漆車身的表面質量。

為什么車身部件出現相同缺陷的頻率異常高？在不導致停機的情況下，最晚什么時候可以更換機器人中的混合器？答案對于實現可持續地成本節約至關重要。因為避開每個可避免的缺陷、省去每次不必要的維護都可以節省資金或提高產品質量。“在此之前，幾乎沒有能及早發現質量缺陷或故障的精確推斷。如果有的話，也往往來自繁復的人工數據評估或反復的試驗。人工智能 (AI) 使這一過程更加準確和自動化，”杜爾MES 和控制系統副總裁 Gerhard Alonso Garcia 解釋說。

DXQanalyze 增加了新的自學習Advanced Analytics車間和工藝監控系統。杜爾的數字產品系列已經包括用于獲取生產數據的數據采集模塊、用于實現可視化的可視化分析和流分析。后者使設備操作員可以使用無需大量編程的代碼平臺近乎實時地分析生產是否偏離先前定義的規則或目標值。

具有自我記憶能力的 AI 應用

Advanced Analytics 之所以與眾不同，是因為該模塊將包括歷史數據在內的大量數據與機器學習能力結合在一起。從象征意義上講，這意味著自主學習 AI 應用 具有自我記憶能力。這意味著它可以使用過去的信息，既可以識別大量數據中復雜的相關性，又可以根據機器的當前狀態以高精度預測將來的事件。在涂裝車間，無論是在組件、工藝還是車間級別，都有許多這樣的應用。

預測性維護減少車間停機時間

對于組件，Advanced Analytics 旨在通過預測維護和維修信息（例如，預測混合器的剩余使用壽命）來減少停機時間。如果組件更換得太早，會不必要地增加備件成本和維修費用；而更換組件的時間太晚，則會導致噴涂和機器停機過程中出現質量問題。Advanced Analytics 首先使用高頻機器人數據學習磨損指標和磨損的時間模式，由于數據是被連續記錄和監控的，因此機器學習模塊會根據實際使用情況單獨識別各個組件的老化趨勢，并以此方式計算出最佳更換時間。

機器學習模擬連續溫度曲線

Advanced Analytics 通過識別異常（例如，通過模擬烘房中的加熱曲線）來提高過程級別上的質量。到目前為止，制造商僅在測量運行過程通過傳感器測定數據。然而，由于烘房在兩次測量之間的間隔中會老化，因此對于車身表面質量至關重要的加熱曲線會發生變化。這種磨損導致環境條件產生波動，例如氣流強度的變化。 “如今，成千上萬的車身被生產出來，以往我們卻無法了解各個車身加熱達到的溫度。通過機器學習，我們的 Advanced Analytics 模塊可以模擬不同條件下的溫度變化。這為我們的客戶提供了關于每個車身的永久質量證明，讓他們能夠識別異常情況。”Gerhard Alonso Garcia 說。 

更高的首次運行率提高整體設備效率（OEE）

DXQplant.analytics 軟件與 Advanced Analytics 模塊結合使用，可在車間級別提高整體設備效率。人工智能可跟蹤系統缺陷，例如特定模型類型、特定顏色或單個車身部件的重復性質量缺陷等。這樣就可以推斷出生產過程中的哪個步驟產生了偏差。人們可以通過這樣的”缺陷-原因”相關性在早期階段進行干預，從而能夠在將來提高首次運行率。

圖 1：杜爾的 AI 應用程序 Advanced Analytics 可以識別缺陷來源并確定最佳維護計劃。

車間和數字專業知識的專業結合

開發具有 AI 功能的數據模型是一個非常復雜的過程。這是因為機器學習無法將未指定數量的數據輸入“智能”算法來輸出智能結果,而是必須收集、仔細選擇相關（傳感器）信號，并對這些信號補充來自生產過程中的結構化附加信息。借助 Advanced Analytics，杜爾開發了一款軟件，該軟件支持不同的使用場景，為機器學習模型提供運行時的環境，并觸發模型訓練。“挑戰在于，當時我們沒有普遍有效的機器學習模型，也沒有可以使用的合適的運行環境。為了能夠在車間級別使用 AI，我們將機械和車間工程知識與數字工廠的專業知識結合了起來。由此誕生了第一個面向涂裝車間的 AI 解決方案。” Gerhard Alonso Garcia 解釋說。

圖 2： 杜爾軟件通過預測性維護和維修信息減少了車間停機時間。

需要跨學科知識

Advanced Analytics 是由一支跨學科團隊開發出來的，團隊成員由數據科學家、計算機科學家和工藝專家組成。杜爾還與多家領先的汽車制造商建立了合作伙伴關系。這意味著開發人員具有生產中針對不同應用案例的真實生產數據和測試站點環境。首先，在實驗室中使用大量測試案例對算法進行了訓練。接下來，這些算法將繼續在實際操作中進行現場學習，并自動適應環境和使用條件。測試階段最近成功完成，展示了 AI 的潛力。 

圖 3：借助人工智能，可以檢測到噴涂過程中的系統錯誤，因此可以通過在早期階段進行干預來提高 OEE。

●   涂裝和總裝系統：面向汽車工業的涂裝車間以及總裝、檢測和加注技術

●   應用技術：自動應用漆液、密封劑和粘合劑的機器人技術

●   清潔技術系統：空氣污染控制系統,降噪系統和電池涂層線

●   測量和裝配系統：平衡設備及診斷技術

●   木工機械和系統：木材加工行業設備