Dit onderzoek zou de productie van Philips kunnen revolutioneren door geavanceerde AI en Machine Learning (ML) te integreren in belangrijke processen. Hierbij wordt overgestapt van handmatig toezicht naar realtime anomaliedetectie en voorspellend onderhoud. Dit werk verbetert niet alleen de productiecapaciteit, maar zou ook een nieuwe maatstaf kunnen vormen voor technologische vooruitgang in de maakindustrie, wat leidt tot aanzienlijke verbeteringen in productiviteit en productkwaliteit.

Op ML gebaseerde anomaliedetectie voor procescontrole van productielijnen

Vanwege de complexiteit van het assemblageproces kunnen er anomalieën optreden. Deze anomalieën kunnen worden ingedeeld in drie typen: puntanomalie (enkel gegevenspunt dat afwijkt van normaal gedrag, zoals verkeerde plaatsing), contextuele anomalie (gegevens die alleen ongebruikelijk zijn binnen een specifieke context) en collectieve anomalie (ongebruikelijk patroon gevormd door een groep anderszins normale gegevenspunten, zoals sensorvermoeidheid). Op basis van deze gegevens kan een analyse van de grondoorzaak worden uitgevoerd om een hypothese te vormen over de onderliggende oorzaken. Bovendien kan deze strategie worden toegepast op andere implementaties, waardoor de algehele productie-efficiëntie toeneemt.

Detectie van probleemlocaties in de productielijn met behulp van AI

Het lokaliseren van problemen in de productielijn kan lastig zijn, maar dit proces kan worden vergemakkelijkt door te focussen op hoe fixtures en jigs de critical-to-quality (CTQ)-metrieken beïnvloeden. Door deze factoren zorgvuldig te evalueren, is het mogelijk om intelligentere procescontrolestrategieën te creëren die rekening houden met de impact van verschillende variabelen. Innovatieve methoden voor het volgen van betrouwbaarheid kunnen ook worden bereikt met algoritmen voor productiepadvinders, die meer inzicht bieden in mogelijke bronnen van variatie en proactievere kwaliteitscontrole mogelijk maken. Over het algemeen kan het methodisch aanpakken van probleemlocatiedetectie helpen om de productie te versnellen en de productkwaliteit

Transferfunctie-inferentie voor productielijnprocessen met behulp van AI

Over het algemeen is het begrijpen van de interacties die plaatsvinden in een complex systeem en proces de sleutel tot de implementatie van efficiënte controlestrategieën en het bevorderen van continue verbetering. In dit werkpakket ontwikkelen we een raamwerk voor systematische analyse van data stemming uit alle opeenvolgende stappen van een productielijn, om inferentie over interactiepatronen tussen productiestappen te vergemakkelijken.