两个零件编号相同的起动器由于磨损痕迹而有视觉上的差异-这种差异将被AI检测出来
目前，差不多10个可用的旧汽车零件里就有1个都会因为无法确定的原因而被扔到废品堆里。如何避免这种情况发生？德国弗劳恩霍夫研究所的研究表明，可以通过人工智能来对再制造过程加以改进。
到目前为止，汽车零部件再制造率不尽人意的原因有两个。首先，该行业很难对再制造零部件进行规划，因为很难预测汽车零部件何时以及以何种数量从车辆上拆下来。其次，这一过程成本很高：仅旧部件的分类就吞噬了一个翻新部件三分之一的成本。而后一点，就是德国弗劳恩霍夫EIBA项目的意义所在，它使旧部件的明确识别变得更快、更准确、更便宜。
汽车部件一般都带有识别标记，如带有识别号码的类型板。"然而，对于第三家公司来说，这些数字的解释并不总是很清楚，"弗劳恩霍夫研究员马里安-施吕特解释说，他是IPK机器视觉部自动化技术部门的副主管。
一个部件上可能有许多数字，如序列号、子部件的数字或OEM供应商的数字。此外，还有零件的数量和差异性。EIBA项目的人工智能目前可以分辨出10万到20万个不同的零件编号。
是什么让人工智能优于人类？"即使一个员工整天分拣零件，如果不看零件编号，也不可能'用心'分配所有不同的变体，"施吕特说。"除了不同的部件差异大之外，它们到达时的状态也不同"。例如，该零件是在北海沿岸停放的汽车，还是来自巴伐利亚州车库里的汽车，或是在行驶的汽车中度过其第一次生命周期，这之间有明显的区别。
施吕特说："相应地，生锈、灰尘、污垢、过度喷漆、油污或暴露在溶剂中，都是导致零件编号不再能在每一种情况下被读取的原因。" 有百分之七十的人是这种情况。这意味着，回收利用是不可能的。
"我们的解决方案使用数字传感技术，如相机或天平，为人工智能创建一个基本的旧零件的虚拟图像，"施吕特解释说。"可以利用工作站的数据来了解某些部件的外观和形状。" 重量或形状偏离这些图像，表明分类不正确或部件有缺陷。至关重要的是，人工智能的工作独立于可读或不再可读的识别特征，而是根据空间形状、表面纹理、重量以及客户和交货数据等信息来决定可能是哪一个组件。以这种方式产生的建议会以列表的形式显示给员工，并附有预览图片和相应的物品编号，现在可以通过输入来确认。在这种情况下，人工智能是在向员工学习。
"我们主要用图像数据来喂养人工智能，这些数据由颜色和深度信息组成。我们使用深度信息，以便能够读取零件的尺寸差异，并使人工智能对由污垢等引起的不同纹理更加强大。" 研究人员不断向人工智能展示一个零件编号的例子，直到它最终自己学会哪些特征可以用来将这个零件编号与其他数万个数字区分开来。"我们还使用统计方法和其他机器学习方法来评估交付和客户数据，"施吕特补充说。
弗劳恩霍夫研究人员在一项针对起动电机的试点研究中表明，可以利用人工智能正确识别旧部件，正确率达到98.9%。目前人工方法的准确率约为93%至95%。由于分拣工作的改进，弗劳恩霍夫在分拣出的63,000台起动电机中，又有3000台起动器重新投入流通。与新生产的启动马达相比，翻新的启动马达可节省约52%的二氧化碳当量。假设由于采用重新制造的起动器，现在可以生产更少的新零件，那么已经节省了27446千克的二氧化碳当量。相比之下，人工智能产生的二氧化碳当量（119千克）可以忽略不计。
对于工作人员来说，采用人工智能后，省去了清洁、使标签可读以及输入构成制造商零件编号的通常不直观的字符-数字组合的步骤。"施吕特说："这消除了手动输入长串字符的一个错误来源。"它也不会让眼睛那么累，这样就可以更专注于评估旧的部分。"
但最重要的是，通过使用人工智能，以前因识别缺失而被分拣出来的7%至10%的零件可以被客观地识别出来，并分配给正确的零件编号，这样就可以顺利地推进产品进一步的生命周期。施吕特说："此外，这项技术还可用于将全新的产品带入一个生命周期，直到现在，由于在车间拆除后缺少识别特征，这些产品已无法清楚地分配给正确的车辆类型。"
基本上，机器和车辆制造行业的所有组件都可以采用人工智能解决方案。弗劳恩霍夫研究人员已经与汽车厂商进行了初步接触。如果评估成功，循环经济解决方案公司希望自己使用该系统，同时也作为OEM和维修商的服务提供商。目前，弗劳恩霍夫团队已经将大约3500个组件数字化，其中有21000个数据集，包含大约124000张图片。施吕特说："如果看一下10万个不同部件所面临的问题，就知道我们仍然有相当多的工作要做"。
| 留言与评论（共有 0 条评论） “” |
