Optimizar el proceso de pintura y evitar errores a largo plazo: estos dos objetivos pueden alcanzarse con Data Science y Big Data en el taller de pintura. En este artículo de blog, ofrecemos una visión de uno de nuestros proyectos. En el proceso, explicamos Requisitos en proyectos de ciencia de datos y mostrar el potencial de la ciencia de datos para la industria del automóvil.

En la producción y Montaje a Carrocería hay numerosos procesos propensos a errores que se tiempo- y costosos son. El proceso de pintado es un componente esencial y, al mismo tiempo, propenso a errores. componente propenso a errores. Una carrocería suele pasar varias veces por el proceso de pintura. proceso varias veces. Incluso hay que retocar manualmente piezas individuales. Esto plantea la cuestión de cómo Proceso de pintura optimice permite.

En Uso de análisis de Big Data con apoyo informático respectivamente ciencia de datos permite a todo el Proceso de producción de forma holística y optimizarla de forma sostenible. Esto permite eliminar fuentes de error y reconocer conexiones que antes no eran evidentes. De este modo, un Amplio potencial de optimizaciónque lo hace posible:

• sistemática Error evitar,
• el Producción en En tiempo real a revisar y
• el Proceso de producción a largo plazo mejorar.

Los retos de los proyectos de ciencia de datos: Comprender los procesos subyacentes

En uno de nuestros ClientesComo fabricante de automóviles, siempre había dificultades en la carrocería dificultades. Después de pintar las piezas individuales, el montaje inicial de la carrocería era y, en muchos casos, las piezas no encajaban correctamente o los huecos no se ajustaban o las dimensiones de los huecos no encajaban. Por eso se llegó a laborioso y manual manualque posteriormente hubo que llevar a cabo.

Se suponía que las dimensiones de los huecos y las juntas se habían juntas habían cambiado tanto debido al proceso de pintado o a que la pintura se había aplicado demasiado espesa que que se superaron los valores nominales durante la instalación. se habían superado.

Al mismo tiempo Defectos en la pintura uno de los desencadenantes más comunes que más tarde causan daños en la carrocería. Para optimizar el proceso de pintura, primero había que aclarar algunos aspectos básicos. había que aclarar. En este caso, el reto consiste en comprender con mayor precisión el comprensión del proceso de pintura. Sólo así se pueden identificar todos los factores decisivos para Análisis de errores y -evitar así como Posibilidades de Automatización y Optimización de procesos Identifíquese.

Búsqueda de fuentes adecuadas para la recopilación de datos

Otro reto clave en la ciencia de datos proyectos de ciencia de datos es desarrollar Base de datos crear. Por lo tanto, al principio de todo proyecto de análisis se plantea la cuestión crucial de la dirección Fuentes de datos. Especialmente en el caso de procesos que aún no están procesos que aún no están digitalizados o que son difíciles o imposibles de digitalizados, esta cuestión plantea un reto particular.

En el caso del taller de pintura del fabricante de automóviles, exactamente este caso. La pintura se aplica allí con una Robot de pintura en tres fases. Para obtener una base de datos de este proceso hubo que descomponer todo el proceso en pequeños componentes.

A continuación, se evalúa la pertinencia pertinencia y su idoneidad como Puntos de recogida de datos examinados. Para obtener estos puntos hay que dotarse en parte de los adecuados Sensores equiparse. El resultado es toda una gama de Parámetros, que se encuentran en el Proceso de análisis incluirse: La cantidad de pintura la cantidad de pintura utilizada por proceso de recubrimiento, el valor PH de la pintura, la presión durante la temperatura de secado o datos sobre el tiempo de permanencia en determinadas estaciones. estaciones. Este principio de recogida de datos puede trasladarse a otras aplicaciones. aplicaciones. La cuestión es siempre qué fuentes de datos están disponibles y cuáles y a qué fuentes de datos adicionales se puede recurrir.

Sugerencia de enlace: El Suministro de datos es uno de los componentes centrales de los proyectos de datos. Léalo todo en nuestro artículo sobre Canalización de datos.

Modelización de datos, big data y procesos de datos holísticos

El primer paso en el camino hacia una solución es la Creación Un modeloque debe describir la realidad con la mayor precisión posible. Un modelo de datos técnicos se crea como parte de un proceso de ciencia de datos para se crea para optimizar el proceso de pintura, como en este caso. Para ello primero hay que crear una base de datos y luego actualizarla constantemente. actualizada. Esto significa: los análisis de Big Data se iterativo procesos.

En algunos casos, hacen necesario recoger datos a gran recoger permanentemente datos a gran escala para obtener una imagen lo más precisa posible de todo el proceso. de todo el proceso. Una analogía para ilustrarlo: a partir de una sola foto de un coche una sola foto de un coche, es imposible saber si está en movimiento, parado, acelerando o frenando. o frenando. Sin embargo, si la Base de datos a 24 fotogramas por segundo, obtenemos una imagen exacta del comportamiento del coche.

Cuanto mayor y más precisa sea la base de datos, más exactos serán los los análisis y Previsiones a través de comportamiento actual y futuro en la realidad. En el caso de producción de la carrocería, la recopilación y el análisis de datos se realizan a tres niveles:

• En primer lugar a través del Medición del espesor de la película de laca
• En segundo lugar, a través de la Medición del hueco y de la dimensión de la junta
• En tercer lugar, a través de un Análisis de defectos de pintura sobre la base de análisis óptico de imágenes

Gracias a su enfoque holístico, este Modelo de datos a Hallazgosque no se esperaban. Por ejemplo, una entre un único parámetro del proceso de pintura y el cambio en el hueco y la junta y el cambio en las dimensiones del hueco y la junta.

La solución: visualización, previsión y control en tiempo real

En la solución para el fabricante de automóviles a Variedad de sensores Dirigido a los puntos pertinentes Datos elevado y, por tanto, todo el Proceso de producción documentado. A partir de esta base de datos, se podría desarrollar un modelo de datos y una comprensión técnica y profesional comprensión técnica y profesional exhaustiva de los datos. Con ayuda del modelo, fue posible identificar los significativos Parámetros que influyen en Predicción del espesor óptimo del revestimiento Identifíquese.

Esto se visualiza ahora en tiempo real para que Conexiones y Anomalías los defectos y el grosor del revestimiento pueden identificarse inmediatamente. identificados inmediatamente. A través de la Visualización en tiempo real puede determinar en cualquier momento cuándo y cómo debe ajustarse el proceso de revestimiento para obtener la separación y las dimensiones de junta correctas.

La gran ventaja: ya durante el proceso de control de calidad puede realizarse durante el llevarse a cabo. Los errores se detectan antes, las causas pueden eliminarse inmediatamente y la calidad del resultado se y la calidad del resultado puede aumentar de forma sostenible y significativa.

El resultado: menos errores, un mayor grado de automatización y una mejor comprensión del proceso global.

Al final, varios Parámetros del proceso que influyen significativamente en el espesor del revestimiento y optimizan el proceso de revestimiento. y optimizar el proceso de recubrimiento. La mejora de la comprensión del proceso en su conjunto, se pudieron identificar las relaciones causales. El Análisis de datos y -modelización llevó a la necesidad de recoger datos de forma permanente proceso a someterse a una recogida permanente de datos.

Al mismo tiempo, otros subprocesos, como el el Control de calidad del proceso de pintura para automatizar el proceso. Los valores medidos y los valores objetivo se comparan ya durante el proceso de pintado. entre sí. Mediante el análisis en nivel granular podía incluso visualizar más irregularidades en las distintas capas de pintura. podían visualizarse.

Sugerencia de enlace: lea aquí nuestro artículo sobre Ventajas y oportunidades de la digitalización para las PYME.

Optimizar el proceso de pintura y aumentar la calidad de forma sostenible

Gracias a estas medidas, fue posible optimizar el proceso de pintura. optimizado. Gracias a la amplia gama de estaciones de medición de defectos, pudieron determinarse varios se pudieron determinar varios patrones de defectos diferentes. El sitio Calidad de la laca podría aumentar considerablemente. En el resultado, fue posible determinar la intensidad del defecto en función del componente y y reducirla en parte automáticamente.

Esto se consigue, en particular, mediante la disponibilidad de recomendaciones predictivas de actuación en tiempo real. Se dispone de recomendaciones de actuación predictivas. El sitio Algoritmo determina los puntos de consigna óptimos para la construcción de carrocerías y crea una previsión del espesor de la pintura. Los retoques que hasta ahora eran a menudo a menudo necesarios hasta la fecha se han reducido al mínimo, al tiempo que la calidad de la pintura se ha incrementado al mismo tiempo.

¿Le gustaría aprender más sobre la ciencia de datos? Apúntate a nuestra formación sobre ciencia de datos.