溶接工程の AI への道

Jan 22, 2024

2023 年 5 月 12 日

14:44

Amada Weld Tech の Mark Boyle 氏が、人工知能 (AI) と機械学習 (ML) アルゴリズムが製造現場の生産ラインを通る材料の流れを決定し、適切なタイミングで適切な場所に部品を割り当ててスループットを向上させるためにどのように実装されているかについて説明します。そして利益を最大化するためにどの製品を構築すべきかを予測します。

開発の重要な分野の 1 つは溶接プロセスのモニタリングです。AI/ML を使用して抵抗溶接またはレーザー溶接の製造プロセスを直接観察し、成功を判断します。 これには、発せられる一連の物理信号の記録と分析が含まれます。これには、信号を収集するための高解像度センサー (溶接の継続時間はミリ秒程度になる場合があります) だけでなく、大量のデータをエクスポートして分析するためのインフラストラクチャも必要です。 。

このブログ投稿では、今日の製造におけるレーザー溶接プロセスの AI への道を切り開く 3 つの主要な開発領域と 1 つの付随領域について説明します。 これらの開発により、プロセス中に何が起こっているのかをより深く理解できるようになり、品質と歩留まりが向上します。

図 1 – 溶接プロセスの人工知能と機械学習への道には、高解像度のデータ取得、高速データ処理、およびデータを分析して使用するための AI/ML アルゴリズムが必要です。 データ セキュリティの担保ブランチは、ネットワーク上にプロセス モニターを配置するときに必要となる論理的な追加手順です。

最初の、そしておそらく最も重要なプロセスの部分は、収集、デジタル化、保管を含むデータ収集です。

抵抗溶接とレーザー溶接のプロセスは、小さな部品の場合はわずか数ミリ秒しかかかりませんが、その非常に短い時間スケール内であっても、溶接の成功に関する貴重な情報をもたらすダイナミクスが存在します。 したがって、データ キャプチャの解像度は、マイクロ秒の時間スケールで特徴を収集できるほど十分に高い必要があります。 AI/ML アルゴリズムの場合、データセットが豊富であるほど (解像度が高いほど)、アルゴリズムは良品と不良品をより正確に分類できます。 解像度の重要性を詳しく見てみましょう。

下の図 2 は、時間の経過とともにセンサーによって収集された溶接部からの物理信号を示しています。 データが低いサンプル レートで収集された場合 (中央上部)、出力 (右上) は、曲線の中心に表示される異常値の特徴を見逃す階段状の信号になります。これにより、溶接が良好であるか、または不良であるとみなされる可能性があります。逆に。 ただし、サンプル レートが高い場合 (中央下)、出力では真の信号がより適切に再構成され (右下)、外れ値が認識されます。 同じことが信号レベルにも当てはまります。信号の分解能が高いほど、溶接プロセス中に発生する実際の物理信号の再構成が向上します。

図 2 – 高解像度データは、物理信号の正確な再構成と解釈の鍵となります。 この図では、低いサンプリング レートと高いサンプリング レート、およびそれらがフィーチャのキャプチャに与える影響を示しています。

なぜこれがそれほど重要なのでしょうか? 品質に関する何らかの予測を行う場合、より多くのデータがより正確な結果をもたらします。 曲線の中央のブリップが溶接の成功を示す主な指標である場合、その存在を確認するにはより高い解像度の信号が必要であることは明らかです。

公平を期すために言うと、上の例の曲線は非常に単純なので、経験豊富なプロセス エンジニアであれば溶接の良し悪しを簡単に見分けることができます。 しかし、実際には、曲線はさらに複雑であり、測定された曲線の特定のセグメントと溶接の成功との相関関係は明らかではありません。 ここで、AI/ML アルゴリズムを使用して、複数の方法でデータを解析してトレンドを除去し、新しい相関関係を見つけることができます。 ここのテイクアウトは？ データの解像度が高いほど、AI/ML アルゴリズムからより良い結果が得られます。

ただし、高解像度データの取得は、センサーからローカル ストレージ、またはリモートのネットワーク ストレージにデータを転送する際に課題が生じます。 解像度とチャネル数に応じて、これは 1 秒あたり何メガビットにもなります。 これには明らかに、インターネットを介した高速データ転送と、生産全体を通じてこの量の情報を継続的に受け入れることができる高速書き込み速度のハード ドライブが必要です。

もちろん、ネットワークがあればさらなる利点も得られます。

歴史的には、個々の作業セルには専用のプロセス モニターが装備されていました。 データはローカルに保存され、基本的な数値 (信号の最大値や最小値など) を収集して比較できるように集約されました。 データのエクスポートは、USB スティックまたは RS-232 経由で行うため、時間のかかる作業でした。 これらのデバイスは比較的遅いため、大量のデータを簡単に転送できず、ファイルを手動で操作する必要がありました。 これにより、マシンとオペレーターに依存する情報サイロが作成されるという影響がありました。

図 3 – ネットワーク化された溶接モニタリング

イーサネット経由で接続されるプロセス モニターを作成すると、インターネットへの外部接続があると仮定して、情報の転送が大幅に容易になり、グローバルに収集できるようになります。 これは、プロセス エンジニアが世界中にある複数の工場からデータを収集して分析できることを意味します。

これを AI/ML アルゴリズムに結び付けることで、異なる場所にある同様の設定からデータを取得できます。 これにより、溶接リポジトリがより迅速に充実し、データが拡張されて溶接プロセスのより洗練された判断が可能になります。

次に、この収集および保存されたデータの使用方法を見てみましょう。 最終的に、データはストーリーを伝える必要があります。つまり、さらなる意思決定を行うために解釈および使用できる情報を提供する必要があります。 これは、プロセス エンジニアや機械オペレーターが次の質問を理解し、答えるのに役立ちます。

これらの質問に対する答えは、メーカーが製品の品質やスループットを向上させるためのビジネス上の意思決定を行うのに役立ちます。 歴史的に、この意思決定は、溶接プロセスの経験に基づいてプロセス エンジニアとオペレーターによって行われてきました。 当初、これは視覚または聴覚によって行われていましたが、最近では基本的なプロセス モニターの助けを借りて行われています。

高度なネットワーク モニターによってキャプチャされた溶接プロセス データに AI/ML アルゴリズムを適用すると、集計された数値や波形内では容易に確認できない新しい特徴を探すことで、プロセス エンジニアとオペレーターの能力が拡張され、不可能な相関関係が得られます。簡単に見られます。 AI/ML アルゴリズムは、多数のセンサー測定から任意の数の特徴を同時に決定できます。

「特徴」は、収集されたデータから測定または計算される量 (スカラーまたはベクトル) です。 「有用な特徴」とは、プロセスまたは機械のセットアップの変更の結果として変化する量です。 たとえば、図 2 に示す波形上の隆起は、存在する場合、引張強度要件を満たしていない溶接を示す特徴である可能性があります。

AI/ML アルゴリズムは、教師あり学習または教師なし学習のいずれかに基づいて機能します。 教師あり学習では、測定ごとに入力を伴う一連のテストが必要です。 これには開始前にデータセットを作成する必要があるため、このプロセスにはかなり時間がかかり、費用がかかる可能性があります。 一方、教師なし学習は、データセットなしでゼロから始まります。 データセットにデータが入力されると、外れ値や異常を見つけて、さらなるレビューのためにフラグを付けることができます。

溶接プロセスの場合、教師なし学習が最適です。 プロセスエンジニアまたはオペレーターは、部品の溶接をすぐに開始できます。 プログラムが開発されると、標準から外れた溶接を特定することができ、プロセス エンジニアまたはオペレーターは検査して結果をアルゴリズムにフィードバックできます。 これははるかに費用対効果の高い学習プログラムであり、製品は引き続き生産可能です。 データベースに追加される良好な溶接と不良な溶接に関するデータと情報が増えることで、選択基準は引き続き改善されます。 実際の制限はさまざまな入力測定に合わせて調整できるため、これは単なるプロセス制限を超えています。

これらの新しいプロセス モニターはネットワークで接続されており、相互に通信でき、プロセス エンジニアがリモート アクセスできるため、これは、外部ソースがモニターのネットワークに侵入する可能性があることも意味します。 これは、ハッカーや競合他社がデータにアクセスできるということよりも、より広範な企業ネットワークへの潜在的な移植となる可能性があることを懸念しています。

実際、Amada Weld Tech の最新製品ではネットワーク セキュリティを考慮する必要があります (そして考慮されてきました)。同社は製品が顧客をより広範なネットワークにさらさないようにポートを選択的に開き、SecureLink 1 などのプログラムを推奨しています。

溶接プロセスの AI への道には、高解像度データの取得、ネットワーク化された製品を介した高速データ転送と保存、および AI/ML アルゴリズムが含まれます。 これに加えて、工場での強力な実装にはネットワーク セキュリティが鍵となります。 これらを実現することで、AI/ML プログラムがリアルタイムのプロセス監視と連携して溶接プロセスの理解をさらに進め、製造の品質とスループットを向上させることができます。

2023 年 5 月 12 日

14:44