Gevallen

Huis > Gevallen > Dongguan Qiaosen Machinery Co., Ltd. Laatste bedrijfscasus over Uitvoering van een project voor visuele inspectie op het gebied van AI-online voor stempelwerkstukken voor het chassis van auto's

Evenementen

nieuws

Gevallen

Contacteer ons

titi@qiaosenmachinery.com

86-0769-26626853

Contact nu

Uitvoering van een project voor visuele inspectie op het gebied van AI-online voor stempelwerkstukken voor het chassis van auto's

2026-08-20

Casestudy: Implementatie van AI Online Visuele Inspectie voor Autochassis Stempelwerkstukken

Case Cyclus: September 2025-augustus 2026

Bedrijfsachtergrond: Het bedrijf is een tier-2 leverancier van auto-chassis stempels in Zuid-China, met 9 automatische stempellijnen, die voornamelijk chassisbeugels en verstevigingsplaatcomponenten produceren. Vóór de transformatie was de volledige inspectie van eindproducten afhankelijk van handmatige offline inspectie. Frequent personeelsverloop en vermoeidheid tijdens nachtdiensten leidden af en toe tot defecten, wat resulteerde in retourzendingen van klanten en kosten voor herinspectie. Het bedrijf besloot tot een online AI visuele retrofitting voor twee kernlijnen met een hoge productievolume.

Realistische Basisgegevens van de Case Vóór Transformatie (september 2025)

Percentage defecten in eindproducten dat uitstroomt: 5,12%
Gemiddeld aantal handmatige QC-medewerkers per dag voor twee lijnen: 8 personen
Maandelijkse hoeveelheid retourzendingen van klanten: 216 stuks
Maandelijkse kosten voor herinspectie & nabewerking: USD 4.120
Percentage overwerk van het QC-team: 32%
Voornamelijk gemiste defecten: kleine deukjes op het oppervlak, micro-scheurtjes op de buighoek

Kern Technische Transformatie Maatregelen

Implementeer industriële camera's met hoge resolutie en meerdere hoeken en een op maat gemaakte diffuse lichtbron naast de uitgang van de pers, om reflectiestoringen op metalen gestempelde oppervlakken te elimineren;
Verzamel meer dan 12.000 echte defectbeeldmonsters van de productielocatie om een AI-segmentatiemodel te trainen, voeg continu nieuw ontdekte defectmonsters toe voor iteratieve optimalisatie;
Koppel het visuele systeem aan een afvoeractuator op de transportband; zodra defecten zijn geïdentificeerd, activeer je automatische afvoer om niet-conforme onderdelen te isoleren;
Realiseer een data-interface tussen het visieplatform en de fabrieks-MES, registreer het defecttype, de hoeveelheid en de tijdstempel voor elk geïnspecteerd werkstuk;
Optimaliseer SOP: herpositioneer handmatige inspecteurs van volledige stukscreening naar steekproefsgewijze controle en modelonderhoudswerkzaamheden, verminder repetitieve visuele arbeid.

11 Maanden Realistische Operationele Gegevensvergelijking Vóór & Na Transformatie

Kwaliteits- & Operationele Indicatoren	Vóór AI Visuele Upgrade	Na Implementatie van Online AI Inspectie	Werkelijk Integraal Voordeel
Percentage defecten in eindproducten dat uitstroomt	5,12%	0,37%	-92,8% reductie van uitstroom
Benodigd QC-personeel voor twee productielijnen	8 personen	3 personen	-62,5% reductie van QC-personeel
Maandelijkse hoeveelheid retourzendingen van klanten	216 stuks	17 stuks	-92,1% daling van retourzendingen
Maandelijkse kosten voor herinspectie & nabewerking	USD 4.120	USD 680	-83,5% besparing op nabewerkingskosten
Overwerkpercentage QC-team	32%	7%	Grote verlichting van werkdruk
Maandelijkse statistieken van geldige defectgegevens beschikbaar	Handmatige papieren registratie, onvolledig	Volledige digitale traceerbare registratie	Ondersteuning van correlatieanalyse tussen apparatuur en kwaliteit

Case Professionele V&A Analyse

V1: Kan na introductie van AI-visie de handmatige inspectie volledig worden geannuleerd?

A1: In deze echte casus werd de handmatige volledige inspectie geannuleerd, maar steekproefsgewijze controle en modelonderhoud vereisen nog steeds operators. Nieuwe onbekende defecten die niet in de trainingsvoorbeeldbibliotheek zijn opgenomen, kunnen af en toe ontsnappen. Handmatige steekproefsgewijze controle dient als tweede veiligheidsbarrière en levert nieuwe defectmonsters voor continue modelverbetering. Volledige verwijdering van menselijke deelname wordt niet aanbevolen in de huidige massaproductiepraktijk.

V2: Welke grote moeilijkheden ondervond het project tijdens de inbedrijfstellingsfase?

A2: Metaaloppervlakreflectie zorgde aanvankelijk voor instabiele beeldvorming. Na herhaalde aanpassing van de hoek van de lichtbron en toevoeging van een diffuse reflecterende afdekking, werd de beeldstabiliteit aanzienlijk verbeterd. In de beginperiode van de werking was de vals-alarmfrequentie relatief hoog; het engineeringteam heeft 6 weken lang continu ter plaatse monsters aangevuld en de drempelwaarden van het algoritme geoptimaliseerd voordat de stabiele productieklare nauwkeurigheid werd bereikt.

V3: Wat is de terugverdientijd van deze investering in AI visuele inspectie?

A3: De totale projectinvestering voor twee lijnen bedraagt USD 34.800. De jaarlijkse besparing op arbeid, nabewerking en retourverlies bedraagt USD 51.600. De berekendewerkelijke terugverdientijd van de investering is 8,1 maanden.

Case Conclusie & Vooruitzichten

Deze echte productiezaak bewijst dat AI online visuele inspectie langdurige pijnpunten van vermoeidheid bij handmatige inspectie en onstabiele beoordeling in stempelwerkplaatsen effectief kan oplossen. Het vermindert aanzienlijk de uitstroom van defecten, verlaagt de kosten voor nabewerking en vermindert de afhankelijkheid van grootschalige QC-arbeid. Ondertussen moeten bedrijven zich ervan bewust zijn dat het visuele systeem continue monsteriteratie en debugging ter plaatse vereist, in plaats van eenmalige installatie. In de volgende fase zal de fabriek de koppeling van defectgegevens met de persapparatuur uitbreiden, waardoor vroege waarschuwingen voor matrijsverslijting mogelijk worden op basis van de stijgende frequentie van scheurdefecten en de beweging naar voorspellende kwaliteitscontrole.

Rechtstreeks uw onderzoek naar verzend ons