AI skróciła o połowę czas kontroli jakości w fabryce ORAFOL

Niemiecka firma ORAFOL Fresnel Optics zautomatyzowała kontrolę jakości ponad 1,5 mln soczewek optycznych, wykorzystując sztuczną inteligencję do skrócenia czasu inspekcji i zwiększenia wydajności produkcji.

Producent specjalistycznych komponentów optycznych, wykorzystywanych m.in. w czujnikach, systemach wizyjnych i energetyce słonecznej, wdrożył rozwiązanie opracowane przez Zebra Technologies. Według informacji opublikowanych 26 października system skrócił czas kontroli jakości o 50 proc., umożliwiając jednocześnie prowadzenie inspekcji przez całą dobę.

Dotychczas pracownicy ORAFOL musieli manualnie sprawdzać każdą soczewkę w odpowiednich warunkach oświetleniowych. Proces wymagał zaangażowania choćby 15 osób i był szczególnie trudny w przypadku soczewek Fresnela, których średnica wynosi niekiedy zaledwie 4 mm. Ich skomplikowana mikrostruktura utrudnia wykrywanie drobnych uszkodzeń.

Nowy system wykorzystuje oprogramowanie Zebra Aurora Vision Studio oraz technologię głębokiego uczenia. Algorytmy analizują obrazy komponentów i identyfikują defekty na podstawie określonych kryteriów jakościowych. Rozwiązanie zapewnia również identyfikowalność kontrolowanych elementów, co ułatwia dokumentowanie przebiegu produkcji i analizowanie ewentualnych problemów.

Istotnym elementem wdrożenia okazało się połączenie standardowego sprzętu z wyspecjalizowaną optyką.ORAFOL mogła wykorzystać zwykłą kamerę, ale konieczne było opracowanie specjalnej głowicy obrotowej dostosowanej do mikrostruktur soczewek. Wraz ze wzrostem skali produkcji firma, we współpracy z integratorem ID Engineering, uruchomiła kolejny system przeznaczony do kontroli różnych komponentów optycznych.

Automatyzacja może ograniczać koszty operacyjne, zwiększać powtarzalność ocen jakości i zmniejszać zależność produkcji od pracy manualnej. Ma to znaczenie szczególnie w zakładach wytwarzających duże serie precyzyjnych komponentów, w których choćby niewielkie opóźnienia kontroli wpływają na przepustowość całej linii.

Przykład ORAFOL pokazuje jednak również ograniczenia uniwersalnych rozwiązań AI. Skuteczność automatycznej kontroli zależy nie tylko od algorytmu, ale także od jakości obrazu i dostosowania systemu do konkretnego procesu produkcyjnego. Firma nie podała wskaźników błędnych klasyfikacji ani całkowitego kosztu inwestycji, dlatego nie można jeszcze ocenić pełnej opłacalności wdrożenia.

W miarę rozwoju przemysłowej AI podobne systemy mogą znaleźć szersze zastosowanie w produkcji elektroniki, komponentów motoryzacyjnych i urządzeń medycznych, szczególnie tam, gdzie dokładność inspekcji ogranicza możliwości zwiększania skali produkcji.