Näin tekoäly muuttaa autoteollisuuden laadunvalvontaa

Laatuvirheet tulevat kalliiksi. Vuonna 2025 yhdysvaltalaiset ajoneuvovalmistajat maksoivat 20,81 miljardia dollaria takuuvaatimuksina, ja National Highway Traffic Safety Administrationin mukaan yli 29 miljoonaa ajoneuvoa vedettiin takaisin. Kaikki nämä luvut johtuivat viallisesta osasta, jota ei huomattu tai jota ei tarkastettu asianmukaisesti – olipa kyse suunnittelu- ja/tai tarkastusprosessissa tehdystä virheestä tai jostakin, joka tapahtui ajoneuvolle sen jälkeen, kun se oli toimitettu asiakkaalle.

Tuotantolinjan vikojen etsimiseen vaikuttaa yhä monimutkaisempi joukko tekijöitä. Mekaanisten toimintojen muuttuessa ohjelmistopohjaisiksi ja mekaanisten komponenttien sekä sähköautojen akkujen toleranssien tiukentuessa virheille jää vain vähän tilaa. Lisäksi maailmanlaajuiset toimitusketjut lisäävät vaihtelua, jota yksittäinen tehdas ei pysty täysin hallitsemaan. Nämä kaikki ovat entistä painavampia syitä varmistaa, että käytössäsi on oikea prosessi vikojen löytämiseksi tuotantolinjaltasi. 

Tekoäly tarjoaa laadunhallintatiimeille uudenlaisia työkaluja. Sen sijaan, että tuotannon jälkeen tarkastettaisiin vain otos osista ja toivottaisiin, ettei ongelmia jää huomaamatta, valmistajat voivat nyt valvoa jokaista osaa reaaliajassa ja havaita kehityssuuntia tai poikkeamia ennen kuin niistä tulee vikoja. Olen työskennellyt vuosien ajan näiden ongelmien parissa auto-, rengas- ja akkuteollisuuden valmistajien kanssa, ja haluan käydä läpi, mikä todella on muuttumassa ja mitä näiden ohjelmien onnistuminen edellyttää.

Ongelmien havaitseminen ennen niiden kasaantumista

Suurin tekoälyn tuoma muutos laadunvalvontaan on sen mittakaava. Kun tarkastelet kaikkia tuotantolinjasi tuotteita, voit havaita poikkeamat ennen kuin niistä tulee vikoja. Erehtyminen on inhimillistä, joten jos tarkastelet vain otosta tuotantolinjaltasi ja luotat siihen, että ihmiset tarkastavat tuotteesi silmämääräisesti, poikkeamia voi jäädä huomaamatta. Syynä voi olla inhimillinen virhe, kun vikaa ei pystytä havaitsemaan silmämääräisesti, tai väsymys, jonka vuoksi työntekijät eivät enää kiinnitä yhtä paljon huomiota yksityiskohtiin kuin työvuoronsa alussa.

Kameroiden ja tekoälyn kehitys ja yhdistyminen voivat hyödyttää autoteollisuutta huomattavasti. Tuotantolinjalla voidaan paitsi havaita enemmän vikoja myös ennen kaikkea tunnistaa ongelmat jo ennen niiden syntymistä. Valmistajat ovat alkaneet hyödyntää tekoälyä vikojen havaitsemiseen virtuaalisessa testauksessa, jotta ne voivat ennustaa mahdollisia vikoja ja luoda uusia tuotteille tehtäviä testejä. Lisäksi tekoälyn käyttö tuotantolinjalla voi auttaa havaitsemaan aiempaa enemmän vikoja. McKinseyn tutkimuksen mukaan valmistajat pystyivät havaitsemaan tuotantolinjallaan 90 % enemmän vikoja tekoälyn avulla.

Tarkastukset, jotka kehittyvät jatkuvasti

Useampien vikojen havaitseminen on vasta osa kokonaisuutta. Toinen muutos on se, että tekoälypohjainen tarkastus paranee ajan myötä sen sijaan, että se pysyisi muuttumattomana. Vikoja ei ainoastaan löydetä aiempaa enemmän, vaan tekoälyjärjestelmä analysoi kaiken sille syötetyn datan ja oppii siitä. Kun tekoälyä käytetään koneiden tuottaman tuloksen ennustamiseen, voidaan havaita, jos koneet eivät toimi vaatimusten mukaisesti. Jos koneiden toiminta alkaa poiketa toleransseista, voit ilmoittaa siitä järjestelmälle ja antaa sen säätää koneiden arvoja niin, että tulos palaa toleranssien rajoihin ja tuotteet vaatimusten mukaisiksi.

Rengasteollisuudessa tästä on esimerkkinä renkaan liitossauman tekeminen. Kun liitossaumaprosessissa käytetään tekoälyä ja konenäköä, toleranssit ylittävien saumojen määrää voidaan vähentää ja samalla parantaa suorituskykyä. Autoteollisuudessa esimerkkinä on korin tai hitsaamon rakojen ja tasaisuuden parantaminen. Kun järjestelmän on annettu oppia nykyisestä ja aiemmasta datasta, se tunnistaa hyvän liitossauman ja asianmukaiset geometriset toleranssit. Se alkaa säätää koneiden prosessiparametreja ja robotiikkaa reaaliajassa, jotta toleranssit pysyvät rajoissa. Tämä oppimissilmukka erottaa nykyaikaisen tekoälypohjaisen tarkastuksen aiemmasta automaatiosta. Standardit pysyvät yhdenmukaisina eri työvuoroissa ja tuotantolinjoilla sekä jopa eri alueilla sijaitsevissa tehtaissa. Tämä on tärkeää rengas- ja autonvalmistajille, jotka käyttävät samoja järjestelmiä ja malleja useissa tuotantolaitoksissa eri puolilla maailmaa.

Suojakeinosta strategiseksi eduksi

Laadunvalvontaa on pitkään pidetty suojakeinona, viimeisenä tarkastuksena, jonka tarkoituksena on estää viallisten osien päätyminen asiakkaille. Tekoäly tekee siitä strategisen työkalun. 

Voit paitsi havaita enemmän vikoja myös alkaa selvittää, missä niitä esiintyy. Prosessin parempi ymmärtäminen auttaa tunnistamaan kehityssuuntia ja korjaamaan ongelmat ennen kuin niistä tulee suurempia. Kun pystyt selvittämään, missä vikoja esiintyy, voit parantaa ensisaantoa ja vähentää hylky- ja uudelleentyöstöastetta. Hylkyjen ja uudelleentyöstön vähentäminen puolestaan auttaa kasvattamaan tuotannon läpimenoa.

Tässä tärkeät mittarit eivät ole mitään erikoisia. Ensisaanto, hylky- ja uudelleentyöstöaste, asiakasvalitukset ja tarkastusten tarkkuus olivat käytössä jo ennen tekoälyä. Muuttuu se, kuinka nopeasti ja johdonmukaisesti valmistajat pystyvät mittaamaan niitä ja toimimaan niiden perusteella. Tuotantolinjalla havaittu vika tulee huomattavasti halvemmaksi kuin kokoonpanon jälkeen havaittu vika, ja kokoonpanon jälkeen havaittu vika tulee huomattavasti halvemmaksi kuin asiakkaalle päätyvä vika, joka johtaa takuuvaatimukseen tai takaisinvetoon.

Miksi niin monet tekoälyohjelmat pysähtyvät

Tämä ei tietenkään tapahdu itsestään. Kameroiden ja tekoälyohjelmistojen hankkiminen ei vielä tarkoita, että virheitä havaitaan enemmän. Prosessit onnistuneesti käyttöön ottaneet valmistajat ovat tehneet muutaman keskeisen asian toisin. Ne tunnistivat tuotantolinjaltaan ongelmakohdan ja pyrkivät ratkaisemaan sen tekoälyn avulla sen sijaan, että olisivat rynnänneet ottamaan tekoälyä käyttöön ja vasta sitten etsineet sille käyttökohteita. Ne myös varmistivat, että tavoitteet olivat mitattavissa ja että tuloksia voitiin verrata niihin. Kun tiedät pilottihankkeesi onnistuneen, voit harkita prosessin laajentamista tuotantolinjasi muihin osiin.

Tiimissäsi on tärkeää olla myös oikeanlaista osaamista. Ehkä laatutiimisi tuntee prosessin läpikotaisin, mutta sillä ei ole kokemusta koneoppimisesta. Tai ehkä datatieteeseen keskittyvä tiimisi tuntee koneoppimisen perusteellisesti, mutta ei tiedä, mitä tuotantolinjallasi tapahtuu. Kun varmistat, että tiimissäsi on eri toimintojen rajat ylittävää osaamista ja kokemusta prosessien skaalaamisesta, voit ottaa nämä prosessit käyttöön tuotantolinjallasi ja koko toiminnassasi.

Mihin kehitys on menossa

Laatu on aina ollut autoteollisuudessa maineen perusta. Yksikin markkinoille päätyvä poikkeama voi johtaa takaisinvetokampanjoihin, jotka maksavat satoja miljoonia dollareita, ja murentaa vuosien aikana rakentunutta asiakasluottamusta. Tekoälyn avulla poikkeama voidaan havaita aiemmin, ymmärtää, miksi se tapahtui, ja estää sen toistuminen kaikilla tuotantolinjoilla ja kaikissa tehtaissa sen sijaan, että poikkeamiin puututtaisiin yksi kerrallaan.

Valmistajat, jotka saavat tekoälystä tällä hetkellä todellista hyötyä, eivät välttämättä ole niitä, joilla on kehittynein teknologia. Ne suhtautuvat laatuun järjestelmänä, jota on ymmärrettävä ja kehitettävä jatkuvasti. Tekoäly on siinä yksi osa, ei koko järjestelmä. Kun ajoneuvojen rakenteet kehittyvät edelleen ja tuotantomäärät kasvavat, tämän toimintatavan merkitys kasvaa entisestään.