他们面临的挑战
在许多生产设施中,有多种钣金冲压工艺可形成嵌套和单个零件。这些包括渐进式、转移式和串联式压力机生产线。对于一个给定的零件设计,许多因素都涉及到决定最佳或最有效的冲压工艺,如材料类型、厚度、零件宽度和所需的表面光洁度。
选择正确工艺的成功或失败很大程度上依赖于制造工艺工程师的经验水平和专业知识。然而,不断增长的设计复杂性、非传统材料类型和众多的工艺组合可能会挑战最高级的工艺工程师,需要劳动力和材料密集的试错验证过程。
材料利用是一个特别关键的基准。大多数汽车工厂预计其冲压厂的材料利用率约为60%。剩下的40%被浪费。福特的目标是提高这些数字,同时在第一次提高右冲压过程的选择,并通过(FTT)速率提高第一次。
为了实现这些目标,福特墨西哥开始记录并积累了一个有价值的资产:大量与其成功的生产经营相关的清洁数据。跨越5年,流程工程师录制了成功的成功冲压工艺以获得成千上万的零件。在这一历史数据中捕获的是有价值的见解,但现在问题是如何使用这些信息来帮助自动化和指导给定部件设计的最佳冲压过程。
我们的解决方案
福特墨西哥公司首次通过Altair技术简报了解了Knowledge Studio,并与Altair公司进行了接触,探讨了应用Altair的机器学习和预测分析解决方案来支持其业务目标的可能性。
福特的冲压领域专家和Altair的解决方案架构师利用福特为3000多个冲压过程收集的数据,确定这些过程代表了未来的需求,并与Knowledge Studio合作开发了一个准确、可靠的机器学习模型。
知识工作室提供15种不同的机器学习模型,允许用户探索,选择和培训最适合其数据的模型。使用数据的子集,团队运行一系列测试以确定哪个最有效。决策树模型的准确率超过90%,产生了最一致的结果。在这个过程中,令人惊讶的 - 和有价值的发现。在选择最佳冲压过程方面,最重要的因素是成品部分的总体尺寸和厚度。单独,这些因素不足以做出最终决定,但是,当与所有其他数据点相结合时,知识工作室的机器学习算法提供了福特,其结果接近100%。
结果
知识工作室的机器学习预测力被证明是高度准确和成功的,在很大程度上自动化冲压过程选择。通过最大限度地减少手动试验和错误过程验证和返工,可以更多的时间用于冲压过程工程师来解决最困难和复杂的部分设计,进一步提高了生产效率和业务价值。
总体而言,预计的吞吐量增加了三倍,增加的FTT率导致返工时间减少——所有这些都是在不增加资源的情况下完成的。
此外,Knowledge Studio机器学习模型在获取福特内部领域知识方面是有效的,以支持更快的学习曲线来培训新人员。