Odeljenje brenda SEAT za tehnologije merenja vodi računa o nivou preciznosti tako što meri karoseriju automobila.
„Fotogrametrija je beskontaktna tehnologija za optičko merenje koja nam omogućava da uhvatimo milione tačaka nekog objekta kroz fotografije, obeležavajući dubinu i debljinu svakog prostora“, objašnjava Pero Vajeho, šef odeljenja za tehnologije merenja u kompaniji SEAT.
Prikupljene tačke se beleže na obojenoj mapi koja pokazuje gde imamo odstupanja od standarda.
Na slici možemo da vidimo 100% geometrijskih linija vozila, kako unutra tako i spolja, što garantuje da će svaka promena biti odmah opažena.
Kako to radi? Kompleti delova se nasumično biraju sa proizvodne linije tokom svake smene kako bi se temeljno ispitali.
Automatizovani AGV roboti prenose te komponente do postrojenja za merenje.
Tamo, mašine koje se prostiru na 1.500 kvadratnih metara i opremljene su kamerama počinju sa radom kako bi obezbedile da sva vozila koja silaze sa proizvodne linije imaju tačne dimenzije. Na taj način se bezbednost i performanse potvrđuju a bilo kakva odstupanja se mogu brzo rekalibrisati.
Značaj sabiranja tački. Karoserija automobila predstavlja zbir njegovih različitih sklopljenih delova.
Zbog toga merenja moraju biti tačna i precizna, a fotogrametrija sad garantuje da tako i bude.
Mašine ukupno naprave između 200 i 300 fotografija po sklopu i 1.000 fotografija čitavog kostura, što je ekvivalent merenju sedam miliona tačaka po sklopu i do 98 miliona tačaka za celu šasiju.
To je analiziranih 9.000 fotografija i do 210 miliona tačaka svakog dana.
Optička tehnologija je uštedela 90% vremena potrošenog na merenja u poređenju sa taktilnim merenjima.
Upotreba fotogrametrije u serijskim merenjima, prilagođena of strane kompanije SEAT za sopstvene potrebe, predstavlja poboljšanje u efikasnosti merenja na proizvodnim linijama po pitanju brzine, preciznosti i povezanosti.
Zahvaljujući alatima kao što su Big Data i Data Science, veliki obim informacija koji se sada prikuplja pomoću fotogrametrije u budućnosti će se koristiti za detektovanje situacija u proizvodnji pre nego što se one i dese.
„Mi skladištimo sve ove podatke kako bi algoritmi za mašinsko učenje mogli da ispitaju učestalost bilo kakvih odstupanja“, objašnjava Pedro. „Sada smo u stanju da ih lociramo i reagujemo, ali kasnije će program delovati proaktivno: analiziraće koliko često se odstupanja ponavljaju i napraviće predikcije kako bi rekalibrisao mašinu koja je proizvela odstupanje“, zaključuje ovaj inženjer.
