KFactory has successfully implemented the system at the client's organization
Einführung
Improving Manual Assembly Lines Efficiency was our goal. The customer is a successful German business operating in the electrical engineering industry, specialising in the creation and distribution of aesthetic and functional connection points, connector strips, power distribution options, and high-performance power distribution units for various applications. The client wanted to improve the speed and quality control of their manual assembly lines. Therefore, they looked for a solution that would let them monitor the production in real time and automate data collection and reporting.
Herausforderungen
Der Kunde hat Tausende von Produktkategorien, von denen sich einige nur durch die Farbe oder die aufgedruckte Marke unterscheiden. Die Produktion erfolgt in kleinen Chargen, die in regelmäßigen Abständen von Wochen oder Monaten wiederholt werden.
■ Daten zu Produktion und Qualität wurden zunächst auf Papier und dann in Excel erfasst, wobei die Berichte mit Verzögerungen und potenziellen Ungenauigkeiten im ERP-System ankamen.
■ There was no centralised and reliable data on efficiency, and using the in-hand procedure yielded no findings. The operators often hand-noted the defects on paper.
Overall, there was no real-time visibility into the performance and quality processes of the assembly lines, which inhibited decision-making and limited the optimisation potential.
Lösung
KFactory hat ein System entwickelt, mit dem jedes Produkt während der Herstellung genau identifiziert und verfolgt werden kann, ohne dass dies Auswirkungen auf die eigentliche Arbeit des Bedieners hat.
We developed a cutting-edge computer vision model that employs cameras strategically positioned along the line to capture real-time images of the products.
Die Backend-Infrastruktur ist Microsoft Azure, das die Sicherheit und Leistung bietet, die für einen Echtzeit-Fertigungsprozess wie diesen erforderlich sind.
Es wurde berücksichtigt, dass aufgrund der großen Anzahl von Produktkategorien nicht von allen Produkten Bilder vorhanden sind; daher werden die in Echtzeit aufgenommenen Bilder mit der bekannten Produktdatenbank verglichen. Werden die Produkte nicht erkannt, wird der Linienvorgesetzte benachrichtigt, der mit Hilfe einer lokalen Tablet-Anwendung den Produktcode identifizieren kann, der mit den unbekannten Produktfotos verknüpft ist. Anschließend haben wir das neue Modell mithilfe der hochentwickelten Infrastruktur der Plattform in Microsoft Azure und der Algorithmen neu trainiert, um die neu hinzugefügten Produktkategorien innerhalb von Minuten zu erkennen.
Das Modell wird sofort in der Produktion eingesetzt, was bedeutet, dass die Zeit zwischen der Erkennung eines unbekannten Produkts und dem Beginn der automatischen Erkennung nur maximal 30 Minuten beträgt.
Die lokale Anwendung ermöglicht es den Bedienern, sich anzumelden und die tatsächlichen Fehler zu klassifizieren, wodurch der gesamte für die Qualitätsüberwachung erforderliche Papierkram entfällt und die Aktionen pro Mitarbeiter verfolgt werden können.
Resultate
Das System wurde erfolgreich in der Kundenorganisation implementiert, wobei alle Rollen, von den Bedienern bis hin zu den Aufsichtspersonen und Managern, es nahtlos nutzen.
Der Grad der automatischen Produkterkennung liegt bei mehr als 99 %, was ein hervorragendes Ergebnis ist.
Die Manager haben einen vollständigen Überblick über den Prozess: Berichte werden automatisch nach jeder Schicht versandt, und die Business-Analytics-Plattform wird täglich mit neuen Daten gefüttert, wodurch die KPIs aktualisiert und die täglichen Aktivitäten aufgeschlüsselt werden, was die Gesamteffizienz und Produktivität verbessert.
Täglich werden neue Produktkategorien hinzugefügt, so dass eine Bilddatenbank entsteht, die immer präziser wird.
Due to automation, manual data collection is reduced to zero, and potential errors are eliminated. Improving Manual Assembly Lines Efficiency with Computer Vision succeeded.
"By implementing a system that can precisely identify and track every product without impacting operator work, we were able to overcome the challenges of no real-time visibility and no centralised data on efficiency. Real-time image capture and automated classification, coupled with backend automation and data consolidation, have allowed us to create a secure, reliable, and scalable solution that has drastically improved our production and quality processes"
Schlussfolgerung
Dies ist ein erfolgreiches Beispiel für den Einsatz von künstlicher Intelligenz in der Fertigung.
Die schnelle Feedbackschleife, die KFactory aufbaut, ist ein Pluspunkt, der es zu einer der wenigen Softwareplattformen auf dem Weltmarkt macht, die neue Kategorien nahezu in Echtzeit einführt und lehrt, was den Wert der Plattform für Unternehmen mit Kleinserienfertigung und manuellen Montageverfahren erhöht.
Durch die Zusammenarbeit mit KFactory konnte der Kunde seine Gesamttätigkeit erfolgreich verbessern und sich als frühzeitiger Anwender von Technologien beweisen, was ihm einen Marktvorteil gegenüber seinen Konkurrenten verschaffte.
"Collaborating with the client in the electrical engineering industry was a great opportunity for KFactory to showcase our expertise and provide them with a solution that addressed their need for real-time monitoring and data automation. By partnering with us, the client was able to improve their overall activity, and by being an early adopter of technology, they have gained an edge over their competitors".
Und schließlich zeigt diese Fallstudie, wie leistungsstark die Computer Vision bei der Bewältigung von Herausforderungen in der Fertigung ist.Unternehmen können ihre Produktivität steigern und in der sich schnell verändernden industriellen Welt von heute wettbewerbsfähig bleiben, indem sie sich modernste Technologien zu eigen machen.
