AI-løsning fjerner flaskehals på maskinfabrik

Store ordrer banker på hos Johannes Pedersens Maskinfabriks brede industriporte i det midtjyske. 
Men fabrikken, der blandt andet leverer cykelholdere til S-toge, har svært ved at følge med, fordi alle deres svejsninger i dag kontrolleres manuelt. 

“Operatøren bliver meget træt, hvis han skal kontrollere 5.000 emner og lige så mange svejsninger på pladen,” fortæller indkøbsansvarlig hos Johannes Pedersen Maskinfabrik, Falko Thuesen, mens han udpeger de op til 12 svejsninger på bare en enkelt cykelholder.

Ved et netværksmøde i digitaliseringshubben AddSmart, som er en del af Erhvervshus Nordjylland, mødte Falko Thuesen en deltager med en potentiel løsning. Løsningen var bare endnu ikke testet i metalindustrien. 
Det var DeepVis, som deltog på netværksmødet, og de så et stort potentiale i at teste deres teknologi i samarbejde med Johannes Pedersen. 

Et skarpt AI-øje 

Carl Gustav Fagerlund er medstifter af startuppen DeepVis, og han demonstrerer teknologien på en af Johannes Pedersens cykelholdere og forklarer: 
”Når vi placerer visionsystemet hen over emner, begynder vi at tage billeder af rørets bøsning, og allerede der har den fundet en fejl.” 
Visionsystemet er i en sort boks, som via en slæde trækker sig frem og tilbage på en skinne. Gennem et hul i boksen kan man trække slæden over røret.

Vi har fået dokumenteret den effekt, vi har haft hos mange af vores kunder i plastindustrien. Nu prøver vi at overføre den samme model-knowhow til metalindustrien. Hvis vi kan få bevist, at det kan det samme, og få det godkendt til visuel kontrol, så åbner det et nyt marked, hvor vi kan servicere metalindustrien,” forklarer Carl Gustav Fagerlund. 

Derfor blev næste skridt at søge et Kickstart-projekt hos MADE til at lave tests.

Bedre arbejdsforhold og større ordrer 

En række tests af DeepVis’ AI-teknologi på cykelholdernes svejsninger vækker nu stor optimisme for fremtiden. 
”Det er gået rigtig godt,” siger Falko Thuesen og fortsætter: 

Vi kan tage større ordrer ind, fordi vi ikke længere har en flaskehals, der hedder svejsekoordinatorer.” 

Ifølge DeepVis opnår systemet, som lige nu er oplært på 25 metalrør, i størstedelen af vurderingerne sikkerhed for, om svejsningen er af godkendt kvalitet. Det er omkring 95 pct. Er sikkerheden lavere – ca. 75 % – bruges det til at identificere de få kritiske svejsninger, hvor usikkerheden er størst for, om den kan godkendes. 
Med en produktion på 400-500 rør om måneden vil de nye billeder gøre modellen endnu mere præcis allerede efter de første 14 dage. 
Det skyldes blandt andet, at den lærer ud fra, hvordan de gode emner ser ud. Det adskiller sig ifølge Carl Gustav Fagerlund fra de mest udbredte AI-systemer, der lærer at genkende fejl i emner: 

Ved mange varierende fejl, f.eks. når man svejser, ser alle svejsninger jo ikke ens ud. Det er en kæmpe fordel, at man bare definerer de gode emner og ikke løbende skal konfigurere alle de nye fejl,” uddyber han. 

I dag er systemet til akkrediteret vurdering hos Nordjysk Svejse Kontrol A/S, og her er der allerede nu givet et positivt tilsagn om at godkende det til kontrol på samme niveau som en certificeret svejsekontrollør.

Mere arbejde i vente 

“Fordelen ved at automatisere kvalitetskontrollen er, at man sikrer en ensartet og god kvalitet. Vi kan dokumentere det, og vi kan aflaste vores svejsekoordinatorer tidsmæssigt og forbedre arbejdsmiljøet, fordi han ikke længere har det meget krævende arbejde med at kigge meget nøjagtigt efter meget små huller i en svejsning,” opsummerer Falko Thuesen. 
Næste skridt er at teste svejsninger i bukkede rør og at finde en løsning til at teste for fejl dér, hvor øjet ikke kan nå: Inde i selve svejsningen, for at skabe en endnu stærkere kvalitetstest. 
Derfra skal det blot ”implementeres”, og så ”kører toget,” smiler Falko Thuesen.