Как ИИ меняет контроль качества в автомобилестроении

Сбои в обеспечении качества обходятся дорого. В 2025 году автопроизводители США выплатили по гарантийным претензиям 20,81 млрд долларов, а, согласно данным Национального управления безопасностью дорожного движения США, более 29 миллионов автомобилейбыли отозваны. За каждой из этих цифр стоит дефектная деталь, которую не заметили или проверили недостаточно тщательно, — будь то ошибка на этапе проектирования и/или контроля или проблема, возникшая с автомобилем уже после его отправки покупателю.

При поиске дефектов на производственной линии приходится учитывать множество все более сложных переменных. Функции, которые раньше выполнялись механически, теперь управляются программным обеспечением, а допуски для механических компонентов и аккумуляторов электромобилей стали жестче, поэтому места для ошибки почти не остается. Кроме того, глобальные цепочки поставок вносят изменчивость, которую не может полностью контролировать ни одно отдельное предприятие. Все это делает еще важнее наличие подходящего процесса для выявления дефектов на производственной линии. 

Искусственный интеллект предоставляет специалистам по качеству новые инструменты. Вместо того чтобы проверять выборку деталей после производства и надеяться, что проблемы не останутся незамеченными, теперь производители могут в реальном времени отслеживать каждую деталь и выявлять тенденции или отклонения до того, как они приведут к дефектам. Я много лет работал с производителями автомобилей, шин и аккумуляторов над решением этих проблем и хочу рассказать, что именно меняется и что нужно для успешной реализации таких программ.

Выявление проблем до того, как они усугубятся

Главное изменение, которое ИИ привносит в контроль качества, — это масштаб. Если проверять все изделия на производственной линии, можно обнаружить аномалии до того, как они превратятся в дефекты. Людям свойственно ошибаться: если проверять лишь выборку изделий и полагаться на визуальный осмотр сотрудниками, некоторые аномалии могут остаться незамеченными. Причиной может быть человеческая ошибка — например, неспособность заметить дефект визуально, — или усталость, из-за которой сотрудники теряют внимательность по сравнению с началом смены.

Развитие камер и ИИ, а также их сочетание могут принести автомобильной отрасли значительную пользу. С их помощью можно не только выявлять больше дефектов на производственной линии, но и, что особенно важно, обнаруживать проблемы до их возникновения. Используя ИИ для выявления дефектов при виртуальном тестировании, производители уже начали применять его, чтобы не только прогнозировать возможные отказы, но и создавать новые испытания для своей продукции. Кроме того, применение ИИ на производственной линии позволяет выявлять больше дефектов, чем когда-либо прежде. Исследование McKinseyпоказало, что благодаря использованию ИИ на производственной линии производителям удалось выявлять на 90 % больше дефектов.

Самообучающаяся система контроля

Выявление большего числа дефектов — лишь часть картины. Второе важное изменение состоит в том, что точность контроля на основе ИИ со временем повышается, а не остается неизменной. Система на базе ИИ не только находит больше дефектов, но и анализирует все поступающие данные и обучается. Прогнозируя результаты работы оборудования с помощью ИИ, можно выявлять случаи, когда оно работает не в соответствии с заданными параметрами. Если оборудование начинает выходить за пределы допусков, можно подать системе сигнал и настроить параметры его работы так, чтобы вернуть выпуск продукции в допустимые пределы, а сами изделия — в соответствие спецификациям.

Пример из шинной отрасли — сращивание шин. Используя ИИ и компьютерное зрение на этапе сращивания, можно сократить число стыков, выходящих за допуски, и одновременно повысить производительность. В автомобилестроении примером служит повышение точности зазоров и сопряжения кузовных панелей на участке сборки кузова или сварки. Поскольку система обучается на текущих и исторических данных, она распознает качественный стык и правильные геометрические допуски, а затем в реальном времени начинает корректировать параметры производственного процесса и работу роботов, чтобы оставаться в пределах допусков. Именно этот цикл обучения отличает современные системы контроля на основе ИИ от более ранних решений автоматизации. Единые стандарты соблюдаются в разные смены, на разных линиях и даже на предприятиях в разных регионах. Это важно для производителей шин и автопроизводителей, которые используют одинаковые системы и модели на множестве предприятий по всему миру.

От защитного барьера к стратегическому преимуществу

Долгое время контроль качества рассматривали как защитный барьер — заключительную проверку, призванную не допустить попадания бракованных деталей к покупателям. ИИ превращает его во что-то гораздо ближе к стратегическому инструменту. 

Теперь можно не только выявлять больше дефектов, но и определять, где именно они возникают. Более глубокое понимание производственного процесса позволяет обнаруживать тенденции и устранять проблемы до того, как они усугубятся. Выяснив, где возникают дефекты, можно повысить долю годной продукции с первого предъявления и сократить объем брака и переделок, а снижение брака и числа переделок позволит увеличить производительность.

Значимые здесь показатели не отличаются сложностью. Доля годной продукции с первого предъявления, уровень брака и переделок, жалобы покупателей и точность контроля существовали и до появления ИИ. Изменилось то, насколько быстро и последовательно производители могут их измерять и принимать меры. Дефект, обнаруженный на производственной линии, обходится гораздо дешевле, чем дефект, найденный после сборки, а выявление после сборки обходится гораздо дешевле, чем ситуация, когда дефект доходит до покупателя и приводит к гарантийной претензии или отзыву продукции.

Почему многие программы ИИ буксуют

Конечно, ничего из этого не происходит автоматически. Само по себе приобретение камер и программного обеспечения на основе ИИ не означает, что вы начнете выявлять больше дефектов. Производители, успешно внедрившие такие процессы, действовали иначе в нескольких важных аспектах. Они выявляли проблемное место на производственной линии и пытались решить эту проблему с помощью ИИ, а не бросались внедрять ИИ, пытаясь понять, для чего его можно использовать. Они также ставили измеримые цели, с которыми можно было сопоставить результаты. Убедившись, что пилотный проект успешен, можно рассмотреть возможность масштабирования процесса на другие участки производственной линии.

Еще один важный момент — наличие в команде необходимых компетенций. Возможно, ваша команда по контролю качества досконально знает производственный процесс, но никогда не применяла машинное обучение. Или, напротив, команда специалистов по анализу данных прекрасно разбирается в машинном обучении, но не знает, что происходит на вашей производственной линии. Наличие таких межфункциональных компетенций и опыта масштабирования позволит внедрить эти процессы на производственной линии и во всех подразделениях вашей компании.

Куда движется отрасль

В автомобильной отрасли репутация всегда зависела от качества. Единственный дефект, попавший на рынок, может привести к отзывным кампаниям стоимостью в сотни миллионов долларов и подорвать доверие клиентов, на формирование которого ушли годы. ИИ позволяет раньше обнаружить такой дефект, понять, почему он возник, и не допустить его повторного появления на каждой производственной линии и на каждом заводе, а не разбираться с проблемами по одной.

Производители, которые сегодня получают реальную пользу от ИИ, не обязательно располагают самыми передовыми технологиями. Это те, кто рассматривает качество как систему, которую нужно понимать и непрерывно совершенствовать, а ИИ — как одну из ее составляющих, а не как систему целиком. По мере дальнейшего развития автомобильных платформ и роста объемов производства такой подход будет приобретать все большее, а не меньшее значение.