Sprawy

Do domu > Sprawy > Dongguan Qiaosen Machinery Co., Ltd. Najnowszy przypadek firmy Implementacja projektu wizualnej inspekcji online AI dla obrabianych przedmiotów tłoczonych podwozi samochodowych

Wydarzenia

Nowości

Sprawy

Skontaktuj się z nami

titi@qiaosenmachinery.com

86-0769-26626853

Skontaktuj się teraz

Implementacja projektu wizualnej inspekcji online AI dla obrabianych przedmiotów tłoczonych podwozi samochodowych

2026-08-20

Studium przypadku: Wdrożenie projektu wizualnej inspekcji online z wykorzystaniem AI dla elementów tłoczonych podwozi samochodowych

Cykl studium przypadku: Wrzesień 2025 - Sierpień 2026

Tło przedsiębiorstwa: Przedsiębiorstwo jest dostawcą elementów tłoczonych podwozi samochodowych klasy Tier 2 w południowych Chinach, posiadającym 9 automatycznych linii do tłoczenia, produkującym głównie wsporniki podwozi i płyty wzmacniające. Przed transformacją, wszystkie gotowe produkty podlegały manualnej inspekcji offline. Częste zmiany personelu i zmęczenie podczas pracy nocnej powodowały sporadyczne wypływy wadliwych produktów, prowadząc do zwrotów od klientów i kosztów ponownej inspekcji. Przedsiębiorstwo zdecydowało się na wdrożenie retrofittingu wizualnego AI online dla dwóch kluczowych, wysoko wolumenowych linii do tłoczenia.

Dane bazowe przed transformacją (wrzesień 2025)

Wskaźnik wypływu wadliwych produktów gotowych: 5,12%
Średnia dzienna liczba pracowników manualnej kontroli jakości dla dwóch linii: 8 osób
Miesięczna ilość zwrotów od klientów: 216 szt.
Miesięczny koszt ponownej inspekcji i przeróbki: 4 120 USD
Procent pracy w nadgodzinach zespołu kontroli jakości: 32%
Główne przeoczone wady: drobne wgniecenia powierzchni, mikropęknięcia na zagięciach

Kluczowe techniczne środki transformacji

Instalacja przemysłowych kamer o wysokiej rozdzielczości z wieloma kątami widzenia i niestandardowego źródła światła rozproszonego przy porcie wyładowczym prasy, eliminująca zakłócenia od odbić na metalowych powierzchniach tłoczonych;
Zebranie ponad 12 000 próbek rzeczywistych obrazów wad z miejsca produkcji w celu trenowania modelu segmentacji AI, ciągłe dodawanie nowo odkrytych próbek wad w celu optymalizacji iteracyjnej;
Połączenie systemu wizyjnego z mechanizmem odrzucania na linii transportowej; po zidentyfikowaniu wad, uruchomienie automatycznego odrzucania w celu izolacji niezgodnych części;
Realizacja interfejsu danych między platformą wizyjną a systemem MES fabryki, rejestrowanie typu wady, ilości i znacznika czasu dla każdego inspekcjonowanego elementu;
Optymalizacja SOP: przesunięcie manualnych inspektorów z pełnego przeglądu elementów na kontrolę punktową i prace konserwacyjne modelu, zmniejszenie powtarzalnej pracy wizualnej.

Porównanie danych z 11 miesięcy rzeczywistej eksploatacji przed i po transformacji

Wskaźniki jakości i operacyjne	Przed modernizacją wizyjną AI	Po wdrożeniu inspekcji wizyjnej AI online	Rzeczywista kompleksowa korzyść
Wskaźnik wypływu wadliwych produktów gotowych	5,12%	0,37%	-92,8% redukcja wypływu
Wymagany personel kontroli jakości dla dwóch linii produkcyjnych	8 osób	3 osoby	-62,5% redukcja personelu kontroli jakości
Miesięczna ilość zwrotów od klientów	216 szt.	17 szt.	-92,1% spadek zwrotów
Miesięczny koszt ponownej inspekcji i przeróbki	4 120 USD	680 USD	-83,5% oszczędność kosztów przeróbki
Współczynnik pracy w nadgodzinach zespołu kontroli jakości	32%	7%	Znaczne złagodzenie presji pracy
Dostępne miesięczne statystyki danych o prawidłowych wadach	Ręczne zapisy papierowe, niekompletne	Pełny cyfrowy, możliwy do prześledzenia zapis	Wsparcie analizy korelacji między wyposażeniem a jakością

Profesjonalna analiza pytań i odpowiedzi

Pytanie 1: Po wprowadzeniu wizji AI, czy można całkowicie zrezygnować z inspekcji manualnej?

Odpowiedź 1: W tym rzeczywistym przypadku zrezygnowano z manualnej, pełnej inspekcji, ale kontrola punktowa i konserwacja modelu nadal wymagają operatorów. Nowe, nieznane typy wad, które nie są uwzględnione w bibliotece próbek treningowych, mogą sporadycznie umknąć. Manualna kontrola punktowa służy jako druga bariera bezpieczeństwa i dostarcza próbki nowych wad do ciągłego doskonalenia modelu. Całkowite wyeliminowanie udziału człowieka nie jest zalecane w obecnej praktyce produkcji masowej.

Pytanie 2: Jakie główne trudności napotkał projekt podczas fazy uruchomienia?

Odpowiedź 2: Odbicia od metalowej powierzchni powodowały niestabilne obrazowanie na początku. Po wielokrotnej regulacji kąta źródła światła i dodaniu osłony rozpraszającej, stabilność obrazu znacznie się poprawiła. W początkowym okresie eksploatacji wskaźnik fałszywych alarmów był stosunkowo wysoki; zespół inżynierów przez 6 tygodni stale uzupełniał próbki z miejsca i optymalizował progi algorytmu, zanim osiągnięto stabilną dokładność gotową do produkcji.

Pytanie 3: Jaki jest okres zwrotu z inwestycji w inspekcję wizyjną AI?

Odpowiedź 3: Całkowita inwestycja w projekt dla dwóch linii wynosi 34 800 USD. Roczne oszczędności na pracy, przeróbkach i stratach z tytułu zwrotów wynoszą 51 600 USD. Obliczonyrzeczywisty okres zwrotu z inwestycji wynosi 8,1 miesiąca.

Wnioski i perspektywy studium przypadku

To rzeczywiste studium przypadku produkcji dowodzi, że wizualna inspekcja online z wykorzystaniem AI może skutecznie rozwiązać długotrwałe problemy związane ze zmęczeniem podczas inspekcji manualnej i niestabilnym osądem w warsztatach tłoczenia. Znacząco zmniejsza wypływ wadliwych produktów, obniża koszty przeróbek i zmniejsza zależność od dużej liczby pracowników kontroli jakości. Jednocześnie przedsiębiorstwa muszą być świadome, że system wizyjny wymaga ciągłej iteracji próbek i debugowania na miejscu, a nie jednorazowej instalacji. W następnej fazie fabryka zamierza powiązać dane o wadach z wyposażeniem prasowym, realizując wczesne ostrzeganie o zużyciu form na podstawie rosnącej częstotliwości wad typu pęknięcia i przechodząc w kierunku predykcyjnej kontroli jakości.

Wyślij do nas zapytanie