Qualitätssicherung through
Deep Learning in der Solarindustrie
Inspektionen um Fehler in der Photovoltaik-Panel-Produktion zu finden werden heute noch manuell von einem Arbeiter vor Ort durchgeführt. Um diesen Prozess zu vereinfachen und die Fehlerquote zu reduzieren, stellt elunic mit AI.SEE™, ein auf künstlicher Intelligenz basierendes System zur Verfügung, das selbstständig Fehler erkennt.
Goals
- Automatisierte Inspektion, Erkennung und Klassifizierung von Fehlern und Beschädigungen in der Photovoltaikpanelproduktion
- Bereitstellung eines übersichtlichen Dashboard mit Solarinspektor und Ergebnisauswertung
- Erhöhung der quality und Reduktion des Ausschusses in der Produktion
- Markieren und Klassifizieren von gefundenen Fehlern
- MES-Integration und Qualitätsmanagementintegration
Solution
elunic hat mit AI.SEE™ ein System zur automatischen Qualitätssicherung entwickelt, das auf Künstlicher Intelligenz basiert. Mit AI.SEE™ muss der Mitarbeiter in der Solarinspektion nicht mehr selbst nach dem Fehler suchen: Ähnlich wie bisherige AOI-Systeme verhindert AI.SEE™-Qualitätsmängel durch automatisierte Echtzeit-Überwachung. Das System inspiziert die Oberfläche und lokalisiert die Position von Fehlern und Beschädigungen. Das System lernt mit neuen Trainingsbildern weiter. Dadurch ist es in der Lage, auch deutlich komplexere oder seltenere Fehler zu erkennen. Anschließend wird auf dem Dashboard der Fehler dem Prüfenden angezeigt und er kann diesen beheben.
Output
Implementierung und Roll-Out eines K.I.-basierten Solar-Panel-inspektors
Generierung von Bilddaten zum trainieren des Machine Learning Algorithmus
Automatisierte Fehlererkennung in der Produktion durch den Einsatz von AI.SEE™
Find out now with just a few questions whether your problem can also be solved by AI.SEE™.
Eingesetzte Innovative Technologien
Die bisherigen Automated Optical Inspection (AOI) Testsysteme verwenden zur Identifizierung von Bildern fest programmierte Regeln, um Linien und Formen zu erkennen. Das System von elunic hingegen setzt auf selbstlernende Deep-Learning-Modelle, welche die Zusammenhänge der verschiedenen Datensätze mithilfe modernster künstlicher neuronaler Netze erlernen und das in Echtzeit. Da AI.SEE™ ähnlich wie ein menschliches Gehirn arbeitet, ist es anpassungsfähiger und bietet neben einer besseren Qualität des Endprodukts auch eine Steigerung der Leistung der Produktionsanalyse.
Die Lösung wird in der Cloud “as-a-Service” angeboten. Das heisst der Kunde bezahlt pro analysiertem Bild, anstatt in eine typische AOI Lösung vorweg hohe Investitionen tätigen zu müssen.
Nutzen und Skalierbarkeit
- Intelligente Erkennung von Fehlermustern verhindert Mängel in der Qualität.
- Garantie von gleichbleibender Qualität in der Produktion.
- Die verbesserte Fehlerlokalisierung und Rückverfolgbarkeit bedeuten weniger Ausschuss.
- Ausfallzeiten werden durch Prognosen des Systems gemindert.
- Hohe Skalierbarkeit
- Das System lässt sich auf beliebig viele Anlagen und Produkte übertragen.
- Ein Panel hat 60 zu überprüfende Teile die 4 Hauptfehlerarten aufweisen können. Ein Mitarbeiter hat aktuell 60 Sekunden um ein Panel zu überprüfen. Dazu sieht er sich jedes Teil auf dem Panel an und wägt ab ob einer von 4 Fehlertypen zu sehen ist. AI.SEE™ wertet dagegen alle 60 Teile gleichzeitig innerhalb von < 5 Sekunden aus und überprüft diese auf die Fehlertypen. Der Mitarbeiter muss dann nur noch die vom System gefundenen Fehler vom System bestätigen (Benötigte Zeit < 10 Sekunden). Reduktion des Aufwands: ca. 80% und Reduktion der Zeit des Arbeitsschrittes um ca. 75%. Außerdem hat das System eine gleichbleibende Genauigkeit auch nach 8 Stunden, wohingegen die menschliche Konzentration im Laufe des Arbeitstags abnimmt.
AI.SEE™ uses artificial intelligence to enable manufacturers to carry out non-destructive, reliable and automated inspections of their products.
Thanks to deep learning algorithms, even the smallest defects on heterogeneous or reflective surfaces that are often overlooked by human inspectors can be found with consistently reliable quality, providing powerful insights that help improve quality and operational efficiency.
References
Find out more about the use case.
