John Deere använder Intels artificiella intelligens-teknik för att lösa ett gammalt kostsamt problem i tillverknings- och svetsprocessen.
Deere testar en lösning som använder datorseende för att automatiskt hitta vanliga fel i den automatiserade svetsprocessen i sina tillverkningsanläggningar.
Andy Benko, kvalitetschef för John Deeres bygg- och skogsbruksavdelning, sa: ”Svetsning är en komplex process. Denna artificiella intelligenslösning har potential att hjälpa oss att producera högkvalitativa maskiner mer effektivt än tidigare.”
”Att introducera ny teknik i tillverkningen öppnar upp nya möjligheter och förändrar vår uppfattning om processer som inte har förändrats på många år.”
I 52 fabriker runt om i världen använder John Deere gasmetallbågsvetsning (GMAW) för att svetsa lågkolstål till höghållfast stål för att tillverka maskiner och produkter. I dessa fabriker förbrukar hundratals robotarmar miljontals kilo svetstråd varje år.
Med en så stor mängd svetsning har Deere erfarenhet av att hitta lösningar på svetsproblem och letar alltid efter nya sätt att hantera potentiella problem.
En av de vanligaste svetsutmaningarna inom branschen är porositet, där hålrum i svetsgodset orsakas av luftbubblor som fångas när svetsen svalnar. Hålrummet försvagar svetshållfastheten.
Traditionellt sett är GMAW-defektdetektering en manuell process som kräver högkvalificerade tekniker. Tidigare var försök från hela branschen att hantera svetsporositet under svetsprocessen inte alltid framgångsrika.
Om dessa defekter upptäcks i senare skeden av tillverkningsprocessen måste hela aggregatet omarbetas eller till och med skrotas, vilket kan vara destruktivt och kostsamt för tillverkaren.
Möjligheten att samarbeta med Intel för att använda artificiell intelligens för att lösa problemet med svetsporositet är en möjlighet att kombinera John Deeres två kärnvärden – innovation och kvalitet.
”Vi vill främja teknik för att göra John Deeres svetskvalitet bättre än någonsin. Detta är vårt löfte till våra kunder och deras förväntningar på John Deere”, sa Benko.
Intel och Deere kombinerade sin expertis för att utveckla ett integrerat heltäckande hårdvaru- och mjukvarusystem som kan generera realtidsinsikter vid kanten, vilket överträffar den mänskliga uppfattningsförmågan.
När man använder en resonemangsmotor baserad på neurala nätverk registrerar lösningen defekter i realtid och stoppar automatiskt svetsprocessen. Automatiseringssystemet gör det möjligt för Deere att korrigera problem i realtid och producera de kvalitetsprodukter som Deere är känt för.
Christine Boles, vice vd för Intels Internet of Things Group och chef för Industrial Solutions Group, sa: ”Deere använder artificiell intelligens och maskinseende för att lösa vanliga utmaningar inom robotsvetsning.”
”Genom att utnyttja Intels teknik och smart infrastruktur i fabriken är Deere väl positionerade för att dra nytta av inte bara denna svetslösning, utan även andra lösningar som kan komma att uppstå som en del av deras bredare Industri 4.0-transformation.”
Lösningen för detektering av defekter med artificiell intelligens i edge-gränssnittet stöds av Intel Core i7-processorn, använder Intel Movidius VPU och distributionsversionen av Intel OpenVINO toolkit, och implementeras via den industriella maskinseendeplattformen ADLINK och svetskameran MeltTools.
Inskickat enligt följande: tillverkning, nyheter taggade med: artificiell intelligens, deere, intel, john, tillverkning, process, kvalitet, lösningar, teknologi, svetsning, svetsning
Robotics and Automation News etablerades i maj 2015 och är nu en av de mest lästa webbplatserna i denna kategori.
Överväg gärna att stödja oss genom att bli en betalande prenumerant, genom reklam och sponsring, eller genom att köpa produkter och tjänster via vår butik, eller en kombination av allt ovanstående.
Webbplatsen och dess relaterade tidskrifter och veckovisa nyhetsbrev produceras av ett litet team av erfarna journalister och medieexperter.
Om du har några förslag eller kommentarer är du välkommen att kontakta oss via någon av e-postadresserna på vår kontaktsida.
Cookie-inställningarna på denna webbplats är inställda på "Tillåt cookies" för att ge dig bästa möjliga webbupplevelse. Om du fortsätter att använda denna webbplats utan att ändra cookie-inställningarna, eller klickar på "Godkänn" nedan, godkänner du.
Publiceringstid: 28 maj 2021
