他们的挑战
在许多生产设施中,有多种钣金冲压工艺可用于形成嵌套和各个部件。这些包括渐进式,转移和串联压力线。对于给定的部件设计,涉及许多因素来确定最佳或最有效的冲压过程,例如材料类型,厚度,部分宽度和所需表面光洁度。
选择合适的过程的成功或未能依赖于制造工艺工程师的体验水平和专业知识。然而,越来越多的设计复杂性,非传统材料类型和众多过程组合可以挑战需要劳动和材料密集型试验和错误证明过程的高级流程工程师。
材料利用率是一个特别关键的基准。大多数汽车厂预计其冲压工厂的材料利用率约为60%。剩下的40%被浪费了。福特的目标是改善这些数字,同时改善选择正确的冲压工艺的第一次,并提高第一次通过(FTT)率。
为了实现这些目标,福特墨西哥公司开始记录并积累了宝贵的资产:与他们成功生产有关的大量清洁数据。在5年的时间里,工艺工程师记录了数千个零件的成功冲压工艺。从这些历史数据中获取的信息是有价值的见解,但现在的问题是,他们如何使用这些信息来帮助自动化和指导给定零件设计的最佳冲压工艺的选择。
我们的解决方案
首次通过Altair Technology简报进行知识工作室,福特墨西哥探讨了Altair,探讨了Altair的机器学习和预测分析解决方案以支持其业务目标的可能性。
利用收集的数据福特,为符合3,000多个印章流程,该过程被确定为代表未来要求,福特的冲压域专家和Altair的解决方案建筑师合作开发了具有知识工作室的准确,可靠的机器学习模型。
Knowledge Studio提供了15种不同的机器学习模型,允许用户探索、选择和训练最适合他们数据的模型。利用这些数据的子集,研究小组进行了一系列测试,以确定哪种方法最有效。决策树模型产生了最一致的结果,准确率超过90%。在这个过程中,有了一项惊人而有价值的发现。在选择最佳冲压工艺方面,最重要的因素是成品的整体尺寸和厚度。单独来看,这些因素还不足以做出最终决定,然而,当结合所有其他数据点时,Knowledge Studio的机器学习算法为Ford提供了接近100%的准确率。
结果
事实证明,Knowledge Studio的机器学习预测能力在大规模自动化冲压工艺选择方面具有很高的准确性和成功性。通过减少人工试错过程验证和返工,冲压工艺工程师有更多的时间来解决最困难和复杂的零件设计,进一步提高生产效率和业务价值。
总的来说,预计的吞吐量增加了三倍,并且增加了FTT率的增加导致返工时间减少 - 所有这些都在没有增加资源的情况下实现。
此外,知识工作室机器学习模型对于捕获福特内部域知识有效,以支持更快的学习曲线,以便培训新人。