Automatyzacja rozpoznawania kształtów z użyciem machine learning – optymalizacja kosztów produkcji w zakładzie w Toronto

W jednej z fabryk w Toronto codziennie wycinano setki metalowych elementów – od prostych figur po bardziej skomplikowane kształty. Produkcja odbywała się na dwóch maszynach: nowoczesnej, z pełną automatyką, ale kosztownej w eksploatacji, oraz starszej – wciąż sprawnej, lecz wymagającej ręcznego ustawiania parametrów.

Z ekonomicznego punktu widzenia bardziej opłacało się korzystać ze starszej maszyny – koszt wyprodukowania jednej części był o połowę niższy. Problem? Każda zmiana kształtu wymagała ręcznej konfiguracji. Operatorzy spędzali godziny nad dopasowaniem parametrów cięcia na podstawie plików DXF. Każda pomyłka oznaczała stratę materiału i czasu.

Aby realnie obniżyć koszty, firma potrzebowała rozwiązania, które zautomatyzuje ten proces – tak, by tańsza maszyna mogła pracować z taką samą precyzją i szybkością, jak jej nowoczesny odpowiednik.

Zaprojektowaliśmy system oparty na machine learning, który analizuje pliki DXF i samodzielnie rozpoznaje, jaki kształt ma zostać wycięty.

System sam:

• rozpoznaje kształt,
• sprawdza poprawność geometrii,
• generuje odpowiednie parametry do cięcia.

W efekcie operator nie musi już analizować każdego rysunku ani wpisywać danych ręcznie. Po prostu wybiera plik – resztą zajmuje się algorytm.

Na początek stworzyliśmy MVP działające na 500 przykładowych plikach. Teraz w planach jest obsługa nawet 35 000 różnych wariantów. Ale najważniejsze? System działa na starszej maszynie. Tej, której koszt wycięcia jednej części to 0,5 centa – w porównaniu do 1 centa na nowoczesnym sprzęcie.

Dzięki automatyzacji udało się przenieść znaczną część produkcji na tańsze urządzenie – bez ryzyka błędów i bez potrzeby stałej obecności doświadczonych operatorów.

• Produkcja przyspieszyła.
• Udało się ograniczyć ryzyko powstawania błędów.
• Operatorzy przestali tracić czas na ustawienia, a skupili się na realnej pracy.
• Zmniejszyły się koszty produkcji.

Analiza danych i procesów
Zmapowaliśmy cały proces – od pliku DXF do ustawień maszyny. Zbadaliśmy, gdzie dokładnie powstają straty i jak można je zautomatyzować.

Model startowy z dużym potencjałem
Na początku model rozpoznawał 500 kształtów. Tyle wystarczyło, by pokazać, że działa. W kolejnych etapach system ma objąć całą bazę – nawet 35 tysięcy unikalnych plików.

Integracja bez wymiany sprzętu
System dopasowaliśmy do istniejącej, starszej maszyny – bez potrzeby zakupu nowego parku maszynowego.

Testy w warunkach produkcyjnych
System został przetestowany bezpośrednio na linii produkcyjnej – z użyciem rzeczywistych plików i w realnym rytmie pracy zakładu.

Dokumentacja i rozwój
Klient otrzymał kompletną dokumentację oraz przestrzeń do dalszego skalowania modelu we własnym zakresie.