Fully automated traceabillity of QC results for ETO Production

Bakgrunn og målsettingene for prosjektet Prosjektet hadde en ambisiøs målsetning om å utvikle en automatisert kvalitetskontroll for produksjon av små serier: AutoQC-systemet. Utfordingen er at det alltid vil være en betydelig variasjon i prosessforholdene når man sammenligner ulike produktserier. Er det likevel mulig å trene opp et maskinlæringssystem til å avdekke kvalitetsavvik basert på sensordata fra produksjonen? Hos Oshaug Metall AS støpes små serier av NiAl-bronse komponenter til den maritime næringen, og en betydelig del av produksjonen leveres til Brunvoll AS for å inngå i deres thruster systemer. Det er strenge krav til kvalitet, og for komponenter som skal inngå i klassifiserte skip er det standardiserte prosedyrer for godkjenning. Propellbladene som Oshaug Metall leverer skal tilfredsstille strenge krav som blant annet begrenser forekomst av porøsitet på overflaten av komponenten. For hvert blad gjennomføres en penetrant-test. Det er flere grunner til at porøsitet kan forekomme i støpte komponenter. En mekanisme som kan lede til mikroskopiske porer er at metaller i fast form typisk har høyere tetthet enn i flytende form. Dette gir opphav til såkalt ?størkningskrymp? som skaper et undertrykk i komponenten idet den gjennomgår overgangen fra smelte til fast stoff. For å begrense poredannelse er det viktig å sørge for god tilførsel av flytende metall til å fylle vakuumet som oppstår ved størkningsfronten. I praksis oppnår man dette ved å designe et retningsbestemt størkningsforløp med gunstige kjølerater. Med teoretiske beregninger er det mulig å estimere om det er stor eller liten fare for poredannelse, eksempelvis gjennom det såkalte Niyama-kriteriet. Oppnådde resultater Vi utviklet et proof-of-concept maskinlæringssystem som ble trent opp til å sammenligne simulerte støpeprosesser med sensordata fra produksjonsprosessen for å estimere faren for porøsitet i propellbladet. Med to simulerte forløp og temperaturdata fra et faktisk støp som input gir AutoQC-systemet et estimat av Niyama-kriteret for det faktiske støpet. Maskinlæringssystemet ble trent opp kun ved bruk av simulerte data, og ved slutten av prosjektperioden ble systemet forsøkt brukt med faktiske temperaturmålinger som input. Da så vi at AutoQC-systemet oppførte seg lovende: I et antall teoretiske beregninger fikk vi et spenn av verdier for Niyama kriteriet, og AutoQC-systemet snevret inn disse estimatene på porøsitet for det faktiske støpet. Vi rakk ikke å evaluere treffsikkerheten av systemet, men konstaterer at AutoQC-systemet hadde en bestemt formening om hvor mye porøsitet som oppstod i det faktiske støpet, og dette med liten sensitivitet for hvilke teoretiske beregninger systemet fikk som input. Som en del av AutoQC-systemet, slik vi ser det for oss, er det relevant å senere implementere et automatisert tilbakemeldingssystem. Penetranttestingen som utføres på hvert blad innebærer fotografering som dokumenterer fravær eller forekomst av porøsitet over hele bladets overflate. Disse bildene er det mulig å behandle automatisk, slik at maskinlæringssystemet får kontinuerlig feedback på hvilke blad hvor det faktisk oppstår porøsitet. I prosjektet utviklet vi retningslinjer for bildetaking i forbindelse med penetranttest, slik at bildene er best mulig tilrettelagt for automatisert bildebehandling.

Vi utviklet et proof-of-concept maskinlæringssystem som ble trent opp til å sammenligne simulerte støpeprosesser med sensordata fra produksjonsprosessen. Faren for porøsitet i propellbladet blir estimert. Med to simulerte forløp og temperaturdata fra et faktisk støp som input gir AutoQC-systemet et estimat av kvalitet (Niyama-kriteret) for det faktiske støpet. Arbeidsflyt hos industribedriftene var forbedret i prosjektperioden.

Mange norske små og mellomstore bedrifter (SMB-er) har en stor andel engineer-to-order (ETO) produksjon. For slike skreddersydde produkter utgjør ofte kvalitetssikring (QA) en stor andel av produksjonskostnadene. QA kan forsinke leveranser og medføre store direkte kostnader. Manuell QA er tidkrevende og krever høy kompetanse. SMB-er er gjerne sårbare for tap av nøkkelpersonell med påkrevd QA kompetanse. I senere tid har norske underleverandører til maritim og offshore industri opplevd stadig større konkurranse og høyere krav til kortere leveringstid blant sine kunder. De er nødt til å levere kundetilpassede produkter på betydelig kortere tid enn i dag for å kunne konkurrere i et globalt marked. I storskala serieproduksjon brukes maskinlæring for QA rutinemessig. Med løpende sensordata fra produksjonslinjen og moderne maskinlæringsteknologi er det store besparelser ved at systemet automatisk kan avgjøre om eventuelle avvik vil påvirke kvaliteten. For norske SMB-er, som er spesialisert på små serier og ETO produksjon, er en slik automatisk QA ikke tilgjengelig: Seriene er for små til å rekke å trene opp maskinlæringssystemet før bedriften må videre til neste produkt. Vi skal støtte opp om norsk industri gjennom å gjøre maskinlæringsbasert QA tilgjengelig for små serier av skreddersydde produkter. Prosjektet vil bidra til å skape mer konkurransedyktige norske utstyrsleverandører, til maritim og offshore sektor, men også andre markeder med høye krav til kort leveringstid.