中国制造网

 

摩托罗拉利用机器学习提升质量

   日期:2019-06-10     浏览:41    评论:0    
核心提示:  Instrumental基于云的检测软件的自编程算法正在帮助摩托罗拉工程师发现已知和未知的缺陷。    随着全球制造商越来越自动
  Instrumental基于云的检测软件的自编程算法正在帮助摩托罗拉工程师发现已知和未知的缺陷。
  
  随着全球制造商越来越自动化并连接其生产运营,质量已成为产品和公司品牌声誉的关键差异因素之一。这一现实正在引导更多公司探索先进技术以改进其质量流程。目前该领域最普遍的技术是机器学习。

 
摩托罗拉利用机器学习提升质量
  
  我们最近介绍了Frito Lay使用机器学习来测试其芯片的质量并简化其马铃薯称量过程。现在我们已经了解到摩托罗拉正在将该技术应用于其手机生产业务。
  
  摩托罗拉正在使用Instrumental的机器学习软件更快地发现设计和生产问题,加强对生产线的质量控制,并简化其问题响应,以便在苛刻的进度时间表上交付新产品。
  
  愿景的作用
  
  2018年1月,摩托罗拉开始与Instrumental合作,首先确定了一些手机组装状态,这些状态突出了手机的所有关键组件。掌握了这些信息后,在不到三周的时间内,仪器建成并部署了由摄像机,可调照明和定制灯具组成的检测站。
  
  Instrumental首席执行官Anna-Katrina Shedletsky解释了这些检测站中摄像头的使用情况,他说:“工业中的愿景非常具体地用于衡量差距; 但这是对视力的不同使用。因为我们去的地方没有[预先存在的]视觉系统,我们使用一个没有IP(知识产权)的20万像素Flir相机建造了一个低成本的工作站,并将其与我们的软件集成在一起工作一个测试站就行了。我们使用相机扫描条形码并拍照,同时软件实时进行分析,以给出通过/失败结果。“
  
  Instrumental使用视觉技术的另一个区别是,一旦收集到图像,它们就被上传到Instrumental的数据库,并在Instrumental web应用程序中提供给全世界的摩托罗拉工程师。根据Instrumental的说法,这个完整的数据记录是“仪器和传统工业视觉系统之间的关键区别,应用程序必须非常具体,数据仍然存在于工厂的本地机器上,团队无法使用。”
  
  PCB上的暗斑点
  
  摩托罗拉应用Instrumental软件的手机生产运营的最初领域之一是手机的PCB(印刷电路板)。PCB检测的行业标准是自动光学检测(AOI)系统,它将电路板的图像与数字CAD文件进行比较,以确保每个部件都存在。Shedletsky表示,AOI的一个限制是“它没有发现新的缺陷或损坏,也无法分析经过额外装配步骤的PCB,这在现代小型化设备中非常普遍。”
  
  在Instrumental的机器学习算法的第一次应用中,在PCB子集的空白区域上检测到暗斑点。当工程师对此进行检查时,他们确定这些斑点与构成电路板电路的埋入式过孔(连接PCB的两个或多个内层的区域)对齐。有了这种洞察力,工程师们进一步调查,发现电路板比规定厚 - 这会造成严重的容差叠加(计算两个特征或部件之间的最大和最小距离)的问题,并且可能非常难以追查是问题的根源。
  
  “这些印刷电路板已通过AOI并已通过 - 即使斑点清晰可见,”Shedletsky说。“使用仪器数据,很容易看出有缺陷的PCB全部来自一家供应商,使摩托罗拉团队能够与供应商合作,迅速纠正问题。”
  
  自编程算法
  
  Shedletsky说,一旦完成构建的前30个单元,摩托罗拉工程师就可以使用Instrumental的机器学习算法来发现他们以前没有意识到的新缺陷。一旦发现缺陷,可以设置每个后续单元以测试相同的故障模式。然后将故障自动分类到缺陷率和趋势实时计算的集合中。
  
  “驱动器技术的机器学习方法也使每个Monitor(Instrumental的软件应用程序)能够了解典型和异常单元之间的差异。这使得可以设置可以自动发现无法预料的缺陷的测试 - 这是传统工业视觉系统无法做到的,“她补充说。
  
  解释Monitor,Shedletsky将其描述为一个软件应用程序,“让工程师设置仅在云中运行的测试。当Monitor验证它正在捕捉工程师想要识别的东西时,我们有一个下拉选项,将自编程算法推入边缘的产品配方。算法的训练在云中进行,计算在现成计算机的普通图形卡的边缘完成。
  
  自编程算法功能是Instrumental机器学习技术的一个关键特性,它消除了公司聘请数据科学家将机器学习应用于其生产操作的需要。“我们设计了软件,以便工程师提供专业知识,查看零件以确定哪些是有缺陷的。然后,工程师访问网络应用程序以查看图像,并按关键参数或沿线位置对图像进行排序或过滤,“Shedletsky说。“工程师告诉系统在哪里查看然后算法运行并返回从大多数异常到最小异常的堆栈等级。然后,软件的用户可以在坏的或好的之间绘制一个阈值并给它起一个名字; 例如,移位部件,倾斜开关等。“
  
  她补充说,Instrumental的算法可以找到“已知问题以及未知问题”。我们不需要一个失败的示例来设置测试 - 您可以基于所有好的产品构建测试,以便该结果成为查找内容的基础。我们可以从30张图片开始,而大多数机器学习系统通常需要数千或数万张图像。“
 
打赏
 
更多>同类资讯
0相关评论

推荐图文
推荐资讯
点击排行