UMĚLÁ INTELIGENCE V AUTOMOTIVE / David et al.

UMĚLÁ INTELIGENCE V AUTOMOTIVE

Jiří David Josef Bradáč František Starý Martin Folta Pavel Brom Jan Fábry Petr Kasal Lukáš Herout

2024

Recenzenti: prof. Ing. Zora Koštialová Jančíková, CSc. Ing. Miroslav Menšík, PhD.

KATALOGIZACE V KNIZE – NÁRODNÍ KNIHOVNA ČR David, Jiří, 1972

Umělá inteligence v automotive / Jiří David, Josef Bradáč, František Starý, Martin Folta, Pavel Brom, Jan Fábry, Petr Kasal, Lukáš Herout. – První vydání. – Beroun : Eva Rozko tová, 2024. – 1 online zdroj Anglické resumé Obsahuje bibliografii ISBN 978-80-87488-58-4 (online ; pdf) * 629.331:338.45 * 338.364 * 004.8 * 629.3.02:004.89 * (048.8:082) * (0.034.2:08)

– automobilový průmysl – automatizace výroby – umělá inteligence – asistenční systémy vozidel – kolektivní monografie – elektronické knihy 629 – Dopravní prostředky [19]

rw&w Science & New Media Passau-Berlin-Prague, an international publishing project of SüdOst Service GmbH, Am Steinfeld 4, 94065 Waldkirchen, Bavaria/Germany and Eva Rozkotová Publishers, Beroun, Czechia

© 2024 Nakladatelství Eva Rozkotová

Vydalo: Nakladatelství Eva Rozkotová

Na Ptačí skále 547, 266 01 Beroun

První vydání

ISBN 978-80-87488-58-4 (online)

OBSAH

1. ÚVOD

7

2. MODERNÍ AUTOMATIZOVANÉ VÝROBNÍ PROCESY S UMĚLOU INTELIGENCÍ

9

2.1 Aplikace robotů při montáži

10

2.2 Preferované oblasti automatizace

11

2.3 Funkce robotů a montážní operace

12

3. UMĚLÁ INTELIGENCE V AUTOMOTIVE

15

3.1 Kategorizace umělé inteligence

15

3.2 Aplikace umělé inteligence ve světě automotive

17

4. UMĚLÁ INTELIGENCE V OBLASTI KVALITY

27

4.1 Kvalita a řízení kvality

27

4.2 Weibullovo rozdělení

34 35 38 41

4.2.1 Typy Weibullova rozdělení 4.2.2 Způsoby stanovování parametrů

4.2.3 Algoritmus predikce parametrů pomocí genetických algoritmů

4.3 Digitální zpracování obrazu v oblasti kvality

52

5. OPERAČNÍ VÝZKUM V AUTOMOBILOVÉ VÝROBĚ

60

5.1 Logistika

60

5.2 Teoretické základy operačního výzkumu

63

5.3 Problematika obchodního cestujícího

64

6. FUZZY SHLUKOVÁNÍ KOMPONENT

77

6.1 Analýza shlukování

77

6.2 Algoritmy fuzzy shlukovaní

80

6.3 Algoritmus fuzzy Gustafson-Kessel

83

6.4 Příklad shlukové analýzy

86

6.5 Stanovení počtu shluků

88

3

7. FUZZY SPOLEHLIVOST

98

7.1 Metody modelování spolehlivosti systémů

98

7.2 Fuzzy spolehlivost

100 102 106 108

7.2.1 Fuzzy stochastický model spolehlivosti 7.2.2 Model spolehlivosti fuzzy neurčitých množin

7.2.3 Fuzzy spolehlivost systémů

8. UMĚLÁ INTELIGENCE V ASISTENČNÍCH SYSTÉMECH

114

8.1 Automatizace řízení automobilu

114

8.2 Uplatnění umělých neuronových sítí v modelu prediktivního tempomatu osobního automobilu

115 115 117 119 120

8.2.1 Tempomaty

8.2.2 Matematicko-fyzikální model pohybu vozidla

8.2.3 Adheze

8.2.4 Využití neuronových sítí pro podporu řízení ACC

8.3 Identifikace a rozpoznávání hlasu pomocí AI

123

8.4 Aplikace senzoriky– detekce únavy

131

9. ZÁVĚR

134

10. POUŽITÁ LITERATURA

135

4

ABSTRACT The modern automotive industry increasingly relies on the use of artificial intelligence and automated manufacturing processes to improve efficiency, quality and innovation. The publication gradually deals with modern automated robotic production processes with artificial intelligence, which represent a key factor in industrial revolution 4.0. The current trend of using artificial intelligence in the automotive industry is unstoppable and is transforming the way production processes are managed and optimized. The publication focuses on diverse areas of artificial intelligence in the context of quality and operational research in automotive manufacturing. Specifically, it presents the issue of the business traveler, fuzzy clustering of components, fuzzy reliability, and the publication closes with examples of the application of artificial intelligence in assistance systems. The aim of the publication is not only to introduce various techniques and means of artificial intelligence, but rather to provide readers with inspiration on how they can use these procedures in the search for new solutions, based on the examples presented. This publication was created at the Škoda Auto University, o.p.s. as part of the grant solution: „The use of artificial intelligence to solve economic, managerial and technical problems in the automotive industry“, number: IGA/2021/01 David, from the funds of support for the long-term conceptual development of a research organization, which was provided by the Ministry of Education, Culture, Sports and Science in the years 2021 to 2023.

5

PŘEDMLUVA Umělá inteligence (UI) hraje stále větší roli v automobilovém průmyslu, kde se vyu žívá k vývoji autonomních vozidel a optimalizaci provozu. Díky pokroku v oblasti UI jsou automobily schopny sbírat a analyzovat obrovská množství dat z různých senzorů a kamer, což umožňuje zlepšení bezpečnosti a efektivity provozu. UI také umožňuje vytváření sofistikovaných asistenčních systémů, které pomáhají řidičům v různých situ acích a přispívají k plynulejšímu a bezpečnějšímu provozu. V předkládané publikaci je prezentováno několik příkladů aktuálních a budoucích aplikací nástrojů a metod umělé inteligence, které jsou zasazeny do prostředí automo tive. Tyto příklady jsou tématicky rozděleny do dvou hlavních oblastí: využití umělé inteligence v oblasti kvality a logistiky výroby a implementace umělé inteligence do asi stenčních systémů. Publikace se postupně zabývá moderními automatizovanými robotizovanými výrob ními procesy s umělou inteligencí, které představují klíčový faktor v průmyslové revo luci 4.0. Současný trend využití umělé inteligence v automobilovém průmyslu je neza stavitelný a transformuje způsob, jakým jsou výrobní procesy řízeny a optimalizovány. Publikace se zaměřuje na rozmanité oblasti umělé inteligence v kontextu kvality a operačního výzkumu v automobilové výrobě. Konkrétně se v ní prezentuje problema tika obchodního cestujícího, fuzzy shlukování komponent, fuzzy spolehlivosti a nako nec se problematika uzavírá umělou inteligencí v asistenčních systémech. Tato publikace se zaměřuje na ukázku významných aspektů spojených s aplikacemi a výhodami umělé inteligence v kontextu inovací a efektivity. Hlavním cílem je prezen tovat, jak umělá inteligence ovlivňuje moderní technologické inovace a jak může přispět k efektivnějšímu využití zdrojů a procesů Cílem publikace není pouze seznámení s různými technikami a prostředky umělé inteligence, nýbrž spíše poskytnout čtenářům inspiraci, jak mohou tyto postupy využít při hledání nových řešení, a to na základě prezentovaných příkladů. Tato publikace vznikla na Škoda Auto Vysoké škole, o.p.s. v rámci řešení grantu: „Využití umělé inteligence k řešení ekonomických, manažerských a technických pro blémů v automobilovém průmyslu“, číslo: IGA/2021/01 David, z prostředků podpo ry na dlouhodobý koncepční rozvoj výzkumné organizace, kterou poskytlo MŠMT v letech 2021 až 2023.

1. ÚVOD V dnešní době procházíme obdobím nazývaným čtvrtá průmyslová revoluce, kte rá je charakterizována širokým rozšířením internetu a jeho pronikáním do všech oblastí lidské činnosti. Od konce devadesátých let pozorujeme výrazný nárůst uživatelů inter netu, dnes se k síti připojují kromě lidí také stroje, ale také různé další technické objekty. Skutečný a digitální svět se začínají proplétat a vstupují do hry tzv. kybernetické systémy. Je důležité si uvědomit, že tato průmyslová změna rozvíjí výsledky předešlých průmyslových změn, které zásadně změnily tvář průmyslových odvětví a rozvíjí je smě rem k rozšíření metod a nástrojů umělé inteligence. Avšak i při zapojení moderních technologií do výrobních procesů stále v dnešní době zůstává lidský faktor klíčovým prvkem, neboť lidé mají na starosti obsluhu těchto technologií a sledování celého procesu. Začleněním automatických zařízení do tech nologických procesů je snaha minimalizovat lidský zásah. Moderní výrobní systémy, které využívají počítačové technologie s nástroji umělé inteligence, jsou propojeny s in ternetem a lokálními sítěmi, mají možnost komunikovat s ostatními provozy a sdílet informace o svém stavu. Toto je další krok směrem k automatizaci výroby. Propojení všech systémů do sítě vede k vytvoření nových výrobních systémů, které jsou spojeny s kybernetickými tech nologiemi, a tím vznikají inteligentní továrny, kde výrobní systémy, součástky a pracov níci komunikují přes síť a kde je výrobní proces téměř autonomní. Plné autonomii vý robních strojů, a tedy úplné nahrazení lidí ve výrobních procesech brání jejich omezená schopnost reagovat na různé výrobní situace. Na rozdíl od lidí stroje nemají mozek a nejsou schopny dělat rozhodnutí, která vyžadují komplexní porozumění a zvážení různých faktorů, které ovlivňují rozhodování s účinností a vhodností. Například, stroj může být naprogramován na výrobu «x» jedno tek zboží denně, ale není schopen efektivně upravit výrobu v případě změny poptávky. Jiným příkladem mohou být parkovací senzory na autě, které mohou řidiči pouze pomáhat při parkování, ale nedokážou vozidlo zaparkovat samy, teprve propojení s in teligentní řídicí jednotkou, která přebírá kontrolu nad posilovačem řízení, zrychlením a brzděním umožňuje plně automatické parkování. (V březnu 2021, Mercedes před stavuje novou technologii parkování nazvanou Intelligent Park Pilot, která umožňuje vozidlům parkovat autonomně. Nová vozidla jsou vybavena touto funkcí, ale zatím není možné ji využívat kvůli potřebné úpravě infrastruktury a dodržování národních předpi sů. Testování této technologie proběhlo v německém městě Stuttgart. [1.1]) Navigační a komunikační technologie jsou schopny pouze ukázat nejlepší trasu, která není přeplněná, ale bez lidské osoby na řidičském sedadle a ovládání volantu, ply nu a brzdových pedálů nemůže řídit vozidlo. V dnešní době ve většině případů mohou nejmodernější systémy pouze usnadnit úlohu tím, že pomáhají lidem, ale není možné, aby úplně převzaly jejich práci. S rychle se rozvíjejícími technologiemi a nikdy nekončící touhou lidí dosáhnout maximálního komfortu se stává nezbytným vytvářet systémy schopné plně nahradit člo věka a dokončit úkoly samostatně. Tento trend vedl k rozvoji umělé inteligence, což jsou

7

metody a programy, buď strojové nebo softwarové, které mají schopnost uvažovat, poro zumět a rozhodovat podobně jako lidské bytosti [1.2]. I když umělá inteligence ještě nedosáhla plného rozvoje, systémy využívající umě lou inteligenci byly a stále jsou využívány v různých odvětvích průmyslu. Jedním z prů myslových odvětví, které je v popředí implementace sofistikovaných systémů umělé inteligence, je automobilový průmysl. Využití umělé inteligence v automobilovém průmyslu není omezeno pouze na vý robní linku, jak je tomu v jiných oblastech. Projektování, různé služby po prodeji a sa motný vůz nabízejí velký potenciál pro využití nástrojů a metod umělé inteligence. Renomovaný podnikatel a generální ředitel Tesly Elon Musk dosáhl pokročilé fáze ve vývoji vozidla, které může jezdit po silnicích bez lidského řidiče. [1.3] Díky intenziv nímu úsilí vědců je zřejmé, že složité a pokročilé systémy umělé inteligence budou zcela vyvinuty během několika desetiletí. Věci, které dnes připadají jako vědecká fantastika, se budou jednoho dne stávat skutečností.

8

2. MODERNÍ AUTOMATIZOVANÉ VÝROBNÍ PROCESY S UMĚLOU INTELIGENCÍ Automatizovaná výroba automobilů představuje klíčový prvek moderního prů myslu, který umožňuje efektivní a precizní výrobu vozidel. Tento proces zahrnuje vyu žití pokročilých robotických systémů, CNC strojů a dalších technologií, které umožňují automatizovanou manipulaci s materiály, sestavování komponentů a kontrolu kvality výrobků. Využitím moderní a SMART automatizace je možné zajistit konzistenci a opa kovatelnost v průběhu výrobních procesů. To vede k minimalizaci chyb a zvýšení pro duktivity. V oblasti automobilové výroby znamená robotika a autonomní výroba s využitím umělé inteligence revoluční změnu v procesu výroby vozidel a jejich fungování. Tyto technologické inovace umožňují výrobním procesům dosáhnout vyšší efek tivity, přesnosti a flexibility. S využitím robotiky a autonomních systémů lze automati zovat opakující se úkoly, zlepšit bezpečnost a minimalizovat lidskou chybu. Díky pokroku v oblasti umělé inteligence je možné, aby roboti a stroje efektiv něji komunikovali a sami sebe optimalizovali. To má za následek rychlejší a efektivnější řešení problémů a úkolů. Umělá inteligence umožňuje robotům a strojům analyzovat data, učit se z vlastních chyb a rychle reagovat na nové situace. Tímto způsobem mohou být procesy automatizace a výroby výrazně zefektivněny, což vede k větší produktivitě a konkurenceschopnosti firem. Osobní automobil je jedním z nejdůležitějších průmyslových výrobků 20. a 21. sto letí a je technologickým zázrakem, který se stal nezbytnou součástí našeho každodenní ho života. Jeho vývoj a výroba je složitý proces, který vyžaduje velkou dovednost a pre ciznost. Jeho komplexnost a sofistikovanost je odrazem stále se vyvíjejících technologic kých dovedností lidstva. Jedním z hlavních aspektů tohoto procesu je počet dílů, ze kterých se automobil skládá. Odhaduje se, že průměrný osobní automobil se skládá z více než 30 000 jednot livých dílů. Klasifikace dílů v osobním automobilu je důležitým prvkem pro správné a efek tivní fungování výrobního a servisního procesu automobilového průmyslu. Díly auto mobilu lze klasifikovat podle různých kritérií, včetně jejich funkce, materiálu, umístění ve vozidle nebo podle specifických technických parametrů. Tato klasifikace umožňuje výrobcům a servisním technikům správně identifikovat, skladovat a manipulovat s díly, což v konečném důsledku přispívá k efektivnímu provozu a údržbě zařízení. Díly jsou systematicky rozděleny do kategorií podle jejich funkcí, veli kosti, materiálu a dalších specifikací, což usnadňuje jejich identifikaci a uskladnění. Tato standardizovaná klasifikace umožňuje snadnou komunikaci mezi různými odděleními a dodavateli, což vede k redukci chyb a zlepšení efektivity celé dodavatelské sítě. Díky jasně definovaným kategoriím a kódům je možné rychle a přesně identifiko vat potřebné materiály nebo služby, což napomáhá k usnadnění obchodních procesů

9

a zvyšuje transparentnost v dodavatelském řetězci. Tímto způsobem standardizovaná klasifikace přispívá k optimalizaci nákupního procesu a umožňuje efektivní správu a po rozumění dodavatelskému řetězci. Tento přístup poskytuje jednotný rámec pro katego rizaci produktů a služeb, což umožňuje lepší porovnání a analýzu nabídek od různých dodavatelů. Díky tomu mohou podniky identifikovat synergické možnosti a využít eko nomické výhody prostřednictvím lepšího vyjednávání a strategického nákupu. 2.1 APLIKACE ROBOTŮ PŘI MONTÁŽI Aplikace robotů při montáži automobilů představuje klíčový prvek v moderní vý robě automobilů, který umožňuje zvýšení efektivity, přesnosti a bezpečnosti výrobních procesů. Roboty jsou využívány k manipulaci s těžkými komponenty, svařování, lepení, montáži a kontrolním procesům. Jejich precizní pohyby a schopnost provádět opakova né úkony s minimální chybou zvyšují kvalitu výroby a snižují riziko pracovních úrazů. Lze konstatovat, že podíl automatizovaných procesů klesá směrem k finalizaci automobilu. Poslední fáze sestavení vozidel je tedy nejnáročnější. Skoro polovina pra covního času nutného k výrobě auta je věnována této části procesu. Během finální fáze je montážní linka velmi závislá na postoji pracovníků k dodržování technologických postupů a jejich produktivitě. Nicméně, v dnešní době je běžnou praxí využití robotů k automatizaci těchto posledních montážních úkonů. V tomto typu operací je však potřeba precizního ovládání robota, které je dosaže no jedním z následujících dvou způsobů [2.1]: 1. Ovládací funkce je integrována do nástrojů nebo zařízení a robot pracuje v režimu založeném na přehrávání a jednoduché výměně informací. 2. Robot je vybaven technologií rozpoznávání vzorů a využívá vizuální a hma tové senzory, což mu umožňuje fungovat inteligentním způsobem. Funkce robotických prostředků jsou zlepšeny integrací s externími zařízeními a dochází k nárůstu technologické a výrobní dominance robotů nad lidskými zaměst nanci. V níže uváděné tabulce 2.1 je představeno několik příkladů použití robotů při finální montáži. [2.2] Tab. 2.1 Příklady použití robotů při finální montáži [2.1] OPERACE POLOŽKY POD DOHLEDEM NÁSTROJE A METODY ÚČINEK

Montáž pneumatik

Utahovací moment

Servořízení točivého momentu Konstantní hlasitost injekce

Přesnost polohování robotem

Odchylka točivého momentu +/- 1,0 kg.m → +/- 0,5 kg.m

Montáž okenního skla

Vodotěsnost

Přesnost dráhy robota Míra úniku vody 0,5 % → 0,1 %

10

OPERACE POLOŽKY POD DOHLEDEM

NÁSTROJE A METODY

ÚČINEK

Zaměřování čelovky

Úhlová poloha Stabilní robot - opakovatelnost

Odchylka od polohování (cm/10 m) +/- 10 cm → +/- 5 cm Odchylka od polohování +/- 1,0 mm → +/ 0,5 mm

Montáž dveří

Pozice

Stabilita automatiky stroj – opakovatelnost

2.2 PREFEROVANÉ OBLASTI AUTOMATIZACE V oblasti montáže automobilů jsou preferované oblasti automatizace klíčovým prvkem efektivity a konkurenceschopnosti výrobních procesů. Automatizace se věnuje různorodým aktivitám, jako je manipulace s částmi, skládání komponent, ověřování kvality či řízení logistiky. Mezi preferované oblasti se řadí využití robotů pro preciz ní a opakující se úkoly, automatizace přepravy materiálu a komponent mezi stanovišti a také nasazení pokročilých systémů pro vizuální kontrolu a detekci chyb. Na obrázku 2.1 jsou ukázky uplatnění robotizovaných systémů při montáži automobilů.

Obr. 2.1 Ukázky uplatnění robotizovaných systémů při montáži automobilů [2.3], [2.4] Další preferovanou oblastí nasazení automatický výrobních systémů je těžká fyzic ká práce a monotónně se opakující pracovní operace. Za fyzicky náročnou práci jsou v automobilkách považovány operace a manimulace s díly o hmotnosti 15 až 20 kg a frekvencí 1000 krát za směnu (příkladem mohou být ma nipulace s částmi karoserie, koly nebo motorem). Tyto činnosti bez automatických systé mů by vyžadovaly zapojení velkého množství pracovní síly, které je stále častěji nedostatek. Za monotónní práce jsou považovány práce, které vyžadují provádění 4 000 až 5 000 opakujících se pohybů během jedné směny. Takové činnosti jsou považovány za nepříjem né, i když jsou jednotlivé úkoly lehké, neboť mohou být zdrojem únavy obsluhy a rizikem pro oblast kvality. Proto je snahou takové činnosti identifikovat a následně automatizovat.

11

Na obrázku 2.2 je ilustrace monotónních prací při montáži na výrobní lince. Další práce vyžadující automatizaci jsou [2.1]: • práce ohrožující životní prostředí; • práce vyžadující vysokou koncentraci; • práce s možností úrazu.

Obr. 2.2 Ukázka monotónních praci při montáži automobilu. [2.5]

2.3 FUNKCE ROBOTŮ A MONTÁŽNÍ OPERACE Jak již bylo naznačeno, v současné době funkce robotů a jejich role v montážních operacích v automobilovém průmyslu jsou zásadní pro zajištění efektivity, přesnosti a bezpečnosti ve výrobním procesu a tento význam bude nadále vzrůstat. Robotické sys témy jsou využívány k provedení opakujících se úkonů, jako je například svařování, ma nipulace s těžkými součástmi nebo aplikace lepidel a těsnění. Jejich přesnost a rychlost umožňují dosažení konzistentní kvality výrobků a minimalizaci rizika lidských chyb. V tabulce 2.2 je uveden příklad klasifikace stupňů náročnosti operací při automatizaci výrobních procesů.

12

Tab. 2.2 Klasifikace stupňů náročnosti operací [2.1] Stupeň obtížnosti automatizace Pořadí Typické vlastnosti Funkce robota

Příklady

Operace, při kterých lze díly snadno uchopit, přesunout a umístit

Jednoúčelový opakovací stroj: Pevná sekvence Robot s jednoručkou Podavač dílů Přehrávací robot

Montáž přední mřížky Instalace sedadla Montáž baterie

A Jednoduché operace

Kombinované operace, ve kterých je poněkud obtížné uchopit, přesunout a umístit části Kombinované operace, ve kterých jsou díly uchyceny na více místech, je vyžadována schopnost přijímat rozhodnutí o umístění a existuje složitý pohybový vzorec. Složité operace, ve kterých jsou díly nerovnoměrné a obtížně se uchopují a umisťují a které vyžadují více ovládacích ramen a přesné držení a uchopení

Montáž na okna Zásobování palivem Montáž náhradní pneumatiky Robot s více pažemi Montáž pneumatik Připevnění ochranné formy Montáž zadního kombinovaného světla Instalace postroje Instalace koberců Instalace těsnící gumy Hadicové spojování

B Kombinované jednoduché operace

Robot schopný rozpoznávat vzory

C Složené operace

Robot schopný složitých rozhodnutí (se schopností učit se, autonomní řízení)

D Složité operace

Operace A a B představují docela snadné operace a zabírají přibližně třetinu času potřebného k montáži. Robotizované systémy potřebné k provozu jsou cenově výhod nější a často se mohou jevit jako hospodárnější než lidská pracovní síla. Činnosti C vyžadují robotizované systémy s vysokým stupněm inteligence nebo více SMART nástrojů, což zvyšuje náklady na takovou úroveň, že se stanou neefektivní mi. Akce zařazené do skupiny D představují významnou část operací finálního sestavení.

13

S ohledem na náročnost operací C a D je nutné při implementaci zohlednit dva klíčové faktory: 1. Výkonnost robota včetně rychlosti, rozsahu pohybu a inteligence. 2. Investiční náklady, které mohou být vysoké s ohledem na možnou návrat nost investice. Implementace umělé inteligence (UI) v montážních robotech přináší revoluční změny v průmyslové výrobě. Díky UI jsou roboti schopni se učit a adaptovat své chová ní na základě změn v prostředí a pracovních podmínek. To umožňuje zlepšení efektivity a flexibility montážních linek a zároveň snižuje riziko lidských chyb. UI také umožňuje robotům spolupracovat s lidmi v týmech, což vede k větší produktivitě a bezpečnosti pracoviště. Implementace umělé inteligence v montážních robotech vyžaduje koordi novaný a multidisciplinární přístup. Pro dosažení úspěšné integrace umělé inteligence je nezbytné provést detailní analýzu požadavků a procesů v montážním prostředí. Tým odborníků z oblasti strojního inženýrství, robotiky, počítačových věd a umělé inteligen ce musí spolupracovat na vývoji a implementaci algoritmů a technologií umělé inteli gence. Důležitou součástí implementace umělé inteligence v robotických systémech je také validace a testování navržených řešení, aby byla zajištěna spolehlivost a bezpečnost provozu. Validace zahrnuje ověření správné funkcionality algoritmů a modelů strojo vého učení prostřednictvím matematických analýz, simulací a experimentů v reálném prostředí. Testování, pak slouží k ověření výkonnosti a chování systému v různých pod mínkách a situacích, a to včetně detekce a řešení potenciálních chyb a selhání.

14

3. UMĚLÁ INTELIGENCE V AUTOMOTIVE V současné době automobilový průmysl je stále více závislý na implementaci moderních technologií a digitalizaci při výrobě vozidel, jejíž důsledkem je, že metody a nástroje umělé inteligence jsou jedním z nezbytných implementovaných prostředků v oblasti výroby automobilů. Tato technologická revoluce umožňuje automobilovým výrobcům shromažďovat a analyzovat obrovské množství dat z různých senzorů a sys témů ve vozidlech, což poskytuje důležité informace o stavu jednotlivých komponentů a predikci možných poruch. Analýza těchto rozsáhlých datových souborů včetně aplikace různých metod a ná strojů umělé inteligenci přispívá k tomu, že výrobci automobilů mohou optimalizovat náklady, výrobní a údržbářské postupy, zvyšovat efektivitu výrobních procesů a kvalitu a spolehlivost výsledných produktů. 3.1 KATEGORIZACE UMĚLÉ INTELIGENCE Dle definice M. L. Minského (americký vědec zabývající se umělou inteligencí, jenž byl spoluzakladatelem laboratoře umělé inteligence na Massachusettském technolo gickém institutu) je „umělá inteligence věda o vytváření strojů nebo systémů, které budou při řešení určitého úkolu užívat takového postupu, který – kdyby jej dělal člověk – bychom považovali za projev jeho inteligence“. [3.46] Umělá inteligence je oborem, který není ohraničený konkrétním výzkumným ani teoretickým základem. Místo toho se jedná o kolekci metod, teoretických přístupů a algoritmů, které umožňují řešit složité jak technicko-ekonomické problémy, tak i pro blémy netechnického charakteru. Jinak řečeno, cílem vývoje v oboru umělá inteligence je pomocí heuristických a matematických metod vytvářet schopnosti strojů, které jim umožní imitovat lidské kognitivní funkce - učení, myšlení, řešení problémů, porozumět situacím v jejich okolí, uvažovat a vhodně se rozhodovat na základě jak aktuálních informací , tak i minulých zkušeností, které jsou nejčastěji ve formě rozsáhlých datových souborů. Systémy s umělou inteligencí by měly být schopny analyzovat existující data a na základě nich vytvářet prognózy nebo provádět akce. Dále by měly mít schopnost učit se z chyb a tím minimalizovat svou nepřesnost. Důležitou vlastností těchto systé mů je jejich krátká reakční doba a vysoká kvalita zpracování informací, která následně umožňuje jejich implementaci do různých aplikací jako jsou autonomní vozidla, pro gramy pro rozpoznávání obrazu nebo virtuální asistenti. Pokročilé technologie umělé inteligence mají dále schopnost v určité míře předví dat budoucí události. Podle stupně pokročilosti je možné klasifikovat umělou inteligen ci do čtyř různých skupin. [3.1], [3.2]

15

Reaktivní umělá inteligence: Jde o systémy umělé inteligence, které dokážou poskytnout očekávaný výstup na základě určitého vstupu. Tyto umělé inteligence jsou naprogramovány tak, aby vyko návaly konkrétní úkoly a nejsou schopny provádět operace mimo tyto úkoly. Tyto systémy vždy generují identický výstup pro totožné vstupy. Tyto systémy nejsou schopny získávat nové znalosti nebo se rozvíjet prostřednictvím pozorování V dnešní době je to nejčastěji využívaný druh umělé inteligence. Dokáže se učit z minulých událostí nebo zkušeností a na základě nich měnit výstupy. Buduje znalosti získané z praxe (mělké znalosti) a využívá je k analýze různých situací. Kombinuje pře dem uložené informace s pozorovanými údaji, aby mohl analyzovat komplexní situace a předvídat výsledky. V dnešních systémech autonomních vozidel je využíván tento typ umělé inteli gence, který umožňuje vozidlu analyzovat okolní prostředí sledováním pohybu a směru ostatních vozidel a objektů v jeho blízkosti. Následně interpretuje tato data a navrhuje optimální trasu pro pohyb vozidla. Fakt, že omezená paměť umělé inteligence je nejlepší pro auta s vlastním řízením, naznačuje, že může uchovávat informace po omezenou dobu, jak je naznačeno v názvu. Jakmile auto projetím této části silnice, ztrácí data o okolních objektech. Teorie mysli umělé inteligence: Tento druh umělé inteligence se zaměřuje na systémy, které projevují skutečnou inteligenci a jsou schopné provádět úkoly podobné těm, které vykonávají lidé. Tyto sys témy jsou schopné rozpoznat emoce a upravit své chování podle nich. Je využíván ve vý voji robotů, kteří mají schopnost komunikovat s lidmi stejně jako ostatní lidé. Koncept mentálního fungování představuje především teoretický rámec pro umě lou inteligenci, ovšem některé humanoidní stroje už pracují s tímto typem umělé in teligence, jako příklad lze uvést roboty Kismet nebo Sophia (viz. Obr. 3.1), kteří jsou schopny interpretovat lidské emoce a simulovat je. či analýzy akcí nebo zkušeností z minulosti. Umělá inteligence s omezenou pamětí:

Obr. 3.1 Robot Kismet a Sophia [3.3], [3.4]

16

Self-Aware (sebevědomá) umělá inteligence: Představuje nejvyspělejší a nejkomplikovanější systémy umělé inteligence, které jsou však v současnosti pouze teoretickým konceptem. Tyto systémy umělé inteligence budou schopny vnímat své emoce a pocity a budou si vědomy svých tužeb a potřeb. Cílem těchto systémů s vědomou umělou inteligencí je vytvořit entitu, která bude po dobná lidské bytosti. Nicméně v současné době nemáme k dispozici ani vhodný hard ware, ani software pro vývoj takto složitých systémů umělé inteligence. Většina softwarových aplikací, které běžně používáme, využívá méně složené for my umělé inteligence. Příkladem můžou být reklamy, které se zobrazují během prohlí žení internetu. Systém sleduje naše prohlížení a analyzuje ho, aby nám mohl nabídnout relevantní obsah. Spojení vyspělejších technologických systémů s vozidly přispěje k bez pečnějšímu cestování automobily, protože většina dopravních nehod je způsobena lid skými chybami nebo nedostatkem schopnosti adekvátně reagovat v kritických situacích. Lidé bývají také náchylní k selhání pod tlakem, který výrazně ovlivňuje jejich schopnost uvažovat logicky a brání jim v racionálním jednání. Díky využití moderní technologie bude pravděpodobnost lidských chyb minimalizována, což povede k snížení počtu do pravních nehod. Kombinace lehkých a odolných materiálů s technologickými inovace mi v automobilovém průmyslu zvýší efektivitu a bezpečnost cestování. [3.5], [3.6], [3.7] 3.2 APLIKACE UMĚLÉ INTELIGENCE VE SVĚTĚ AUTOMOTIVE V následujících tabulkách (Tabulka 3.3 až 3.5) je nástíněno různorodé využití umělé inteligence v automobilovém průmyslu. Aplikace jsou rozděleny do tří oblas tí, konkrétně: využití umělé inteligence v samotných vozidlech, implementace umělé inteligence při návrhu a výrobě a konečně využití umělé inteligence ve službách pro zákazníky. Při popisu těchto oblastí jsou zmíněny klíčové techniky a metody, které jsou nezbytné. Tabulka 3.3 nám dává rychlý přehled o významných použitích umělé inteligence v automobilovém průmyslu. Výčet není úplný, ale je zřejmé, že umělá inteligence hraje důležitou roli v oblasti inteligentních vozidel.

17

Tabulka 3.3 Významné aplikace umělé inteligence v inteligentních vozidlech. Aplikace Nástroje/techniky Popis Ovládání parametrů vozidla Řadiče na bázi fuzzy logiky, umělé neuronové sítě

Metody rozhodování založené na fuzzy logice jsou praktičtější, účinnější a ekonomičtější než umělé neuronové sítě. Fuzzy logika analyzu je podmínky ve formě „IF-THEN“ pravidel. V oblasti automobilového průmyslu byla fuz zy logika poprvé využita v roce 1988 pro ří zení rychlosti a plynulého řazení převodovek. Fuzzy logika může být začleněna do různých jiných řídicích systémů vozidel, jako je napří klad protiblokovací brzdový systém (ABS), pa rametry řízení motoru, automatická převodov ka, klimatizace a stabilizační systém vozidla. V hybridních elektrických vozidlech nalézá fuzzy logika ještě rozsáhlejší uplatnění, ze jména při automatickém nastavování různých parametrů PI (proporcionálně-integrálních) pro různé provozní podmínky. Tím dochází k efektivnímu regulování otáček motoru a vy užití uloženého výkonu v baterii. [3.8], [3.9], [3.10], [3.11] Pro řadu řidičů je parkování složitým úkolem, protože nemají schopnosti efektivně zaparko vat na přeplněných místech. Perfektní parko vání vyžaduje znalost vhodného úhlu natoče ní kol, dostatečného prostoru a citlivé ovládá ní pedálů akcelerace a brzdy. Z tohoto důvodu mohou řidiči využít moderních inteligentních systémů, aby se zbavili této povinnosti. Tako vé systémy zahrnují: • senzory, které poskytují údaje o trase, kte rou je třeba sledovat, úhlech otáčení kol a vzdálenosti od ostatních objektů v okolí vozidla • pohony mohou efektivně regulovat zrych lení a brzdu pedály s vysokou mírou cit livosti, s cílem zabránit srážce a usnadnit elegantní parkování. [3.12], [3.13]

Parkování bez řidiče

Palubní kamery, senzory přiblížení, akční členy

18

Aplikace Nástroje/techniky

Popis

Digitální senzory

Umělé neuronové sítě

Optimální výkon řídicího systému ve vozidle lze dosáhnout pouze využitím přesných in formací z parametrů zpětnovazební smyčky. Nicméně kvůli komplikovanosti některých systémů, rušení šumem a jejich dynamické po vaze, je obtížné získat přesné údaje zpětné vaz by z některých parametrů. Využitím sofistikovaných technologií umělé inteligence je možné řešit danou výzvu. Virtu ální senzory implementované pomocí neuro nových sítí umožní emulovat různé systémové podmínky a získat ještě detailnější informace z fyzických senzorů ve vozidle. Významné využití umělých neuronových sítí se projevi lo v automobilu Aston Martin DB9, kde byly virtuální senzory využity k online diagnostice problémů s spalování v motoru. Vynechávání zapalování je hlavní příčinou nadměrných emi sí výfukových plynů a zvýšené spotřeby paliva, a proto je důležité tyto problémy analyzovat a minimalizovat. [3.14], [3.15], [3.16]. Asistenti vidění jsou moderní technologické systémy, které mají za úkol podpořit řidiče při navigaci a monitorování okolního prostředí. Tato technologie je navržena tak, aby zlepšila bezpečnost na silnicích a snížila riziko nehod. Řidič často zevnitř vozidla není schopen vidět různé objekty, jako jsou překážky na silnici, které nejsou příliš vysoké anebo jsou mimo jeho zorné pole. Tyto překážky často způso bují nehody v důsledku omezeného výhledu řidiče a tyto nehody mají často katastrofální následky. Je důležité, aby řidič mohl zazna menat objekty, které jsou mimo jeho přímé vidění, a to jak vodorovně, tak svisle, aby se mohl vyhnout překážkám, které jsou pro jeho oči neviditelné. Toto lze dosáhnout instalací kamer a dalších systémů na vozidlo, které jsou propojeny se složitým systémem zobrazování, poskytujícím kompletní 360° pohled na okolí vozidla. [3.17], [3.18], [3.19]

Inteligentní asistent vidění

Rozšířená realita, kamery, Heads Mounted Display (HMD)

19

Aplikace Nástroje/techniky

Popis

Inteligentní rozpoznávání hlasu

Zpracování přirozeného jazyka (NLP),

S narůstajícím zájmem o bezdrátové ovládání funkcí příslušenství v automobilu, jako jsou au dio systém, klimatizace, navigace, mobilní tele fon atd., lze uspokojit pomocí moderní techno logie založené na umělé inteligenci, která dokáže inteligentně rozpoznat lidskou řeč. Inteligentní rozpoznávání hlasu ve vozidlech představuje inovativní technologii, která umožňuje řidičům ovládat různé funkce vozidla prostřednictvím hlasových pokynů. První systém rozpoznávání řeči, známý jako Linguatronic, byl uveden Mercedes-Benzem v roce 1996 ve svých luxusních modelech tří dy S. V dnešní době se automobilové firmy zaměřují na rozsáhlý výzkum technologií pro inteligentní rozpoznání hlasu, aby překonaly obtíže spojené s pamatováním technických po kynů, které vozidlo dokáže interpretovat. Jako příklad je možné uvést nový druh in teraktivního rozhraní, které dokáže reagovat na jednoduché lidské pokyny díky sofistikova ným sémantickým vzorům, které zohledňují veškeré předchozí výroky a upravují jazykový model tak, aby zlepšily přesnost systému roz poznávání řeči. [3.20], [3.21] Za účelem zabránění vzrůstajícím nehodám v důsledku zvyšujícího se provozu, neohledupl ného chování řidičů a nadměrné rychlosti, lze využít umělé inteligence k vývoji inteligentních vozidel nebo autonomních vozidel, vybavených interními kamerami, RADAR a LIDAR tech nologiemi, které upozorňují řidiče na případné budoucí nebezpečí, jež řidič nemusí být scho pen identifikovat. To je stále ponecháno bez povšimnutí; inte ligentní systémy ve vozidle mohou převzít ovládací prvky vozidla, jako je řízení, brzdění a zrychlení, aby se vyhnuly nebezpečí a sledovaly nejvhodnější cestu, aby se předešlo nehodám.

skrytý Markovův model (HMM), dynamické pokřivení času (DTW), příkaz s jedním vyslovením

Inteligentní bezpečnostní systémy

Palubní kamery, RADAR, LIDAR (detekce světla a měření vzdálenosti) a GPS navigované digitální mapy

20

Aplikace Nástroje/techniky

Popis Inteligentní vozidlo může také využívat data z blízkých vozidel k přístupu a analýze okol ních podmínek vozidla a podle toho jednat, aby se zabránilo jakékoli nehodě. Tato skutečnost zůstává mnohdy ve vývoji z růz ných důvodů opomíjena, nicméně trendem mo derních technologií v automobilech je přechod k autonomním systémům, které umožňují pře bírat kontrolu nad řízením, brzděním a akcele rací, aby se vyhnuly rizikům a vybraly nejlepší trasu k minimalizaci havárií. Inteligentní auto mobil také dokáže využívat informace z okol ních vozidel k vyhodnocení podmínek na silnici a přijetí opatření k prevenci možných havárií. [3.22], [3.23] Auto může mít zabudované systémy zpětné vazby, které mohou poslat informace o uží vání vozidla společnosti. Tato data pomáhají společnosti pochopit různé faktory, jako jsou jízdní návyky uživatele a historie údržby auta. Jakékoli poruchy mohou být předány společ nosti prostřednictvím těchto mechanismů, což umožňuje společnosti identifikovat pří činy poruchy, lokalizovat problémy a navrh nout opatření k vylepšení výkonu a prevenci budoucích problémů. [3.24], [3.25] Palubní diagnostický systém vozu je důležitou součástí každého moderního vozidla. V každém automobilu jsou různé procesory, které kontro lují funkce jako například motor, měření, osvět lení, klimatizaci, airbagy, převodovku, kontrolu trakce nebo ABS. Spojení s konkrétním softwarovým systémem je nezbytné pro správné fungování a detekci chyb v některém z těchto zařízení, a poskyto vání diagnostických informací pro techniky.

Zpětná vazba pro společnost

Mechanismus zpětné vazby s uzavřenou smyčkou

Palubní diagnostika (OBD)

Fuzzy Inference Engine, Statická Waveletová neuronová síť, Diagnostika založená na vozidle, Podpora vektorových strojů

21

Aplikace Nástroje/techniky

Popis Modifikace v oblasti OBD je prováděna k moni torování stavu vozidla v reálném čase a spuštění algoritmů detekce chyb, aby bylo možné chyby odhalit předem. Tato strategie je často nazývána jako prevence poruch nebo prognóza údržby, při které například může být dynamická bayesov ská síť využita k detekci pravděpodobnosti vý skytu poruchy. [3.26], [3.27], [3.28], [3.29]

V tabulce 3.4 jsou uvedeny důležité příklady využití umělé inteligence (AI) v ob lasti chytrého navrhování a výroby, včetně chytrého designu, chytré výrobní linky, sek vencování výroby vozidel, chytrého řízení výroby, dodavatelského řetězce a správy zásob. Tabulka 3.4. Významné aplikace umělé inteligence (AI) v inteligentním návrhu a výrobě. Aplikace Nástroje/techniky Popis Inteligentní design

Znalostní inže nýrství (KBE) s CAD/CAM

Technologie známá jako KBE umožňuje auto matické začlenění znalostí o konstrukci, výrobě a dalších souvisejících konceptech do procesu návrhu produktu. Chrysler Corporation byla jednou z prvních firem, které využily KBE při vývoji nástroje nazvaného Cooling System Design Assistant (Coolsys), který pomáhá kon struktérovi organizovat proces a provádět analý zu podle již existujících návrhových standardů. Jaguar také využívá KBE při vytváření svých světlometů [3.30]. Dalším příkladem je systém TRANS-FORM: byl vyvinut pro automatizaci návrhu automo bilových převodovek a vytváření nových kon strukcí převodovek na základě předem defino vaných konstrukčních omezení [3.31]. Funkcí FMEA lze předvídat, jak se systém bude chovat v případě selhání libovolné sou části. Byl vyvinut kvůli komplexitě moder ních vozidel, což znamená, že je složité určit příčinu a místo poruchy bez odborného in ženýra. FMEA se využívá k identifikaci mož ných problémů a příčin poruch v konstrukci automobilu, aby celková konstrukce vozidla byla odolná a spolehlivá. [3.32]

TRANS-FORM Failure Modes and Effect Analysis (FMEA)

22

Aplikace Nástroje/techniky

Popis

Inteligentní montážní linka

Global Study Process Allocation System (GSPAS), Direct Labor Management System (DLMS)

Optimalizace výrobních nákladů a zvyšování efektivity montážního procesu jsou klíčový mi faktory pro každou automobilovou spo lečnost. Tento trend vedl k vývoji inovativní integrované montážní linky využívající umě lou inteligenci – GSPAS, která stanovuje stan dardní metodiku a podobné obchodní prakti ky pro montáž a design vozidel, které se mají dodržovat po celém světě. Tato nová metodi ka obsahuje komponentu umělé inteligence známou jako Direct Labor Management Sys tem (DLMS), která stanovuje standardní pra covní doby potřebné pro různé pracovní třídy při montáži vozidla. Kromě snižování nákla dů a maximalizace efektivity se také umělá inteligence zabývá ergonomickými problémy spojenými s vozidlem. [3.33], [3.34] Každý den typická moderní montážní linka vy produkuje přibližně 1 200 vozů různých typů, jako jsou sedan, kombi, hatchback, SUV atd. Každý vůz se skládá z různých částí, včetně motoru, spoileru, karoserie, čalounění a výfu ku. Všechny tyto vozy jsou určeny k lakování do různých barev. Všechny tyto akce jsou rea lizovány souběžně, což vyžaduje pečlivé pláno vání pro postupnou výrobu automobilů. Po stup výroby automobilů je klíčový pro každý dodavatelský řetězec, aby byla udržena plynulá rovnováha nabídky a poptávky. Komplexní charakter operací z ní činí vhodný cíl pro nasa zení umělé inteligence. Pro rozvoj efektivního plánování výrobního procesu jsou využívány různé metody, včetně algoritmů založených na genetických princi pech, programování s omezeními a technolo gie ILOG [3.35].

Sekvence výroby vozidel

Programování s omezením, Genetické algoritmy, ILOG

23

Aplikace Nástroje/techniky

Popis

Inteligentní kontrola výroby

Integrovaný systém kontroly kvality laku (IPQCS), Fuzzy Reasoning, Fuzzy Controller založený na pravidlech s více proměnnými

Nadprodukce je významným faktorem snižu jícím efektivitu organizace a je důležitým fak torem výroby. V průběhu výrobního procesu je nezbytné monitorovat jak kvantitu, tak kvalitu. Je nezbytné provádět analýzu a řídit počet vozi del a kvalitu každé části. Například pro řízení kvality laku využívá Ford IPQCS algoritmus nazvaný Inteligentní kontrolní systém RBIC (Rule-Based Initial Control). Sestává z nástrojů pro nanášení barev a kontrolu tloušťky nátěru, které jsou součástí uzavřeného systému s auto matickou zpětnou vazbou. Hodnotí kvalitu povrchové úpravy a tloušťku nátěrového filmu [3.36], [3.37]. Už dlouho výrobci automobilů zdůrazňují po třebu efektivního a flexibilního dodavatelské ho řetězce. Byly vyvinuty různé metody řízení dodavatelského řetězce založené na umělé in teligenci, jako například virtuální podnikové systémy a techniky softwarového počítání pro správu dodavatelského řetězce automobilů. Příkladem je například automobilový výrob ce Ford využívající analýzu dat k prozkoumá ní minulých informací o potřebách dodávek a vypracoval strategie pro minimalizaci změn v požadavcích dodavatelů na materiál. Tato metoda je nazývána „Stabilita uvolnění doda vatelů“. Tím se zvyšuje efektivita dodavatelského řetězce a snižují se náklady. [3.38], [3.39]

Řízení do davatelského

Data Mining, Virtual Enterprise Systems

řetězce a zásob

Tabulka 3.5 představuje významné aplikace umělé inteligence v inteligentním poprodejním a záručním managementu. Tyto aplikace zahrnují servis, opravy a údržbu, inteligentní systémy záruk a pojištění.

24

Tabulka 3.5. Významné aplikace umělé inteligence (AI) v inteligentním poprodejním a záručním řízení Aplikace Nástroje/techniky Popis Servis, opravy a údržba Digitální dvojče, znalostní diagnostické systémy, prediktivní údržba

Současná moderní auta obsahují složitá vnitřní elektrická a mechanická spojení, kde i drobná závada může způsobit řetězec poruch, které ve dou ke kritické poruše. Díky této složitosti mo hou být opravy prováděny jen specialisty s roz sáhlými znalostmi o všech používaných nástro jích a technikách a s komplexním pochopením všech propojení a fungování různých částí. To dělá z těchto specialistů nepostradatelné ak tivum, jehož nahrazení je mimořádně obtížné. Hledání poruch a provedení oprav je zdlouhavé a vyžaduje hodně času, pokud se provádí ma nuálně. To vedlo k využití chytrých systémů při údrž bě a opravách automobilů. Jedním z takových postupů je rozvoj digitálního dvojčete každé ho vozidla, které aktivně sdílí údaje s reálným automobilem a poskytuje užitečné informace o stavu vozidla a případných poruchách, kte ré by mohly nastat. Poskytování informací, které nejsou dostupné bez otevření vozidla, je schopné digitální dvoj če. Tímto způsobem lze získat informace o tep lotě oleje, stavu baterie, směsi vzduchu a paliva, rychlosti, brzdění a dalších parametrech. Kro mě toho může digitální dvojče nabídnout efek tivní a rychlé způsoby opravy poruchy. Dalším aspektem je analyzovat data a informa ce získané z digitálního dvojčete a předvídat ži votnost různých částí a možné poruchy vozidla v budoucnosti. Tímto způsobem lze identifikovat problémy dříve a přijmout preventivní opatření. To významně přispěje k redukci nehod způsobe ných poruchami vozidla během jeho provozu. Tato technika se nazývá Predictive Mainte nance. [3.40], [3.41], [3.42], [3.43].

25

Aplikace Nástroje/techniky

Popis

Inteligentní systémy správy záruk a pojištění

Big Data Analytics, Data Mining

Po prodeji automobilu zákazníkovi je klíčové zachovat veškeré údaje o datu prodeje, doby záruky, předpisech týkajících se záruky a po jistných smlouvách vozidla. Tyto informace jsou k dispozici vždy, když je automobil při vezen do servisního střediska pro uplatnění pojistného a záručního plnění. Vzhledem k tomu, že servisní střediska musí uchovávat a mít přístup k obrovskému množ ství informací o každém vozidle prodávaném prostřednictvím tohoto prodejce a dalších pro dejců stejné značky po celém světě, není poho dlné zaměstnávat lidi pro tuto práci. Pro získání informací o konkrétním vozidle a jeho datové historii je možné využít sofistiko vané technologické nástroje [3.44], [3.45], které umožňují sběr a analýzu relevantních údajů.

26

4. UMĚLÁ INTELIGENCE V OBLASTI KVALITY V oblasti automotive má kvalita zásadní význam, neboť má přímý dopad na bez pečnost, spolehlivost a celkovou užitkovost vozidla. Kvalita se projevuje v každém prvku automobilu, od konstrukce a výroby po servisní služby. Pro automobilové výrobce je zajištění vysoké úrovně kvality ve všech fázích vývoje a výroby vozidel klíčové z hlediska splnění regulatorních požadavků a standardů, ale také z hlediska uspokojení očekávání zákazníků. Kvalitní procesy a technologie jsou zásadní pro dosažení vysoké úrovně kva lity výrobků a pro udržení konkurenceschopnosti na trhu. Automobiloví výrobci, kteří systematicky investují do vývoje a implementace kva litních procesů a technologií, mohou dosáhnout efektivního zlepšení své výroby a zá roveň zvýšení kvality svých produktů. Tento přístup umožňuje výrobcům dosáhnout konkurenční výhody prostřednictvím inovace a neustálého zdokonalování výrobních postupů. Investice do moderních technologií a procesů hrají klíčovou roli v konkurence schopnosti firem v dnešním globálním trhu. Tento koncept zahrnuje širokou škálu ino vativních opatření, jako je implementace automatizovaných výrobních linek, využití po kročilých materiálů a vývoj efektivních výrobních metod. Tyto investice nejenže zvyšují produktivitu a kvalitu výrobků, ale také umožňují firmám reagovat flexibilně na měnící se tržní poptávku a snižovat náklady spojené s výrobou. 4.1 KVALITA A ŘÍZENÍ KVALITY V posledních desetiletích se zvýšila mezinárodní konkurence, což donutilo vý robce automobilů ke zlepšení jakosti a výkonnosti. V dnešním konkurenčním prostředí je strategickým problémem pro společnosti používání řídicích nástrojů, které jsou rele vantní pro specifické potřeby organizace. [4.1] Na kvalitu projektu lze nahlížet různými způsoby. Rozhodující je vždy faktor, kdo kvalitu posuzuje a z čeho hodnocení vychází. Konečný výsledek je však vždy ur čen požadavky zákazníků nebo požadavky zúčastněných stran [4.2]. Výběrem a aplikací nejlepších nástrojů pro správu mohou společnosti zlepšit svou výkonnost a poté zvýšit spokojenost zákazníků a získat podíl na trhu. Řízení kvality se v současnosti vyznačuje svým komplexním a celosvětovým pří stupem, který zahrnuje strategii a postupy organizace a motivuje členy organizace k ak tivnímu zapojení s cílem neustálého zlepšování efektivity a funkčnosti. Systém manage mentu kvality automobilů je založen na normách ISO/TS, které se zaměřují především na procesy [4.3] a na spokojenost zákazníků (středních nebo konečných); a do kterého jsou zapojeni jak zaměstnanci, tak dodavatelé (obrázek 4.1).

27

Obr. 4.1 Procesní přístup ISO/TS [4.1] Techniky a nástroje řízení kvality jsou nástroje a metody, které pomáhají řešit specifické problémy na různých úrovních organizace [4.4]. Existuje velké množství především odborné literatury o konkrétních nástrojích souvisejících s řízením kvality, například [4.5], [4.6], [4.7]. Tyto nástroje řízení kvality byly seskupeny podle různých kritérií a bylo navrženo mnoho klasifikací, jak v odborné, tak akademické literatuře; [4.8] popisuje až 98 nástrojů seskupených podle cílů stanovených společnostmi. Celý automobilový průmysl přijal nástroje kvality, jako je souběžné inženýrství, neustálé zlepšování a statistické řízení procesů, ale hlavní problém spočívá v určení, jaké postupy kvality s největší pravděpodobností zlepší kvalitu a celkovou výkonnost výroby a celé firmy. Produkovat „kvalitě“ je filozofií každé společnosti v tomto odvětví. S řízením kvality mají rozsáhlé zkušenosti, které se zhmotňují v podobě norem zajišťo vání kvality, které vznikaly v průběhu let, jako jsou QS, TS, VDA, EAQF, AVSQ atd. V dnešní době existují specifické standardy, jako například ISO/norma TS 16949 [4.9], které vycházejí z rámce ISO 9001 a obsahují konkrétní požadavky pro automobilový průmysl, což zvyšuje úroveň stanovených norem a kvality. Vývoj standardů kvality Jak již bylo zmíněno, dnešní standardy kvality a jejího řízení vycházejí z historie automobilového průmyslu, který se začal rozvíjet v 17. století, kdy byla pára využívána jako zdroj pohonu. Po významném technologickém pokroku v konstrukci plynem po háněných motorů se v roce 1889 začaly vyrábět první benzínové motory. Na počátku 20. století začala masová výroba automobilů v USA, které byly lídry v tomto odvětví. O několik let později se evropští výrobci inspirovali a postavili výrobní závody ve Velké Británii, Francii, Německu a Itálii. V období první a druhé světové války většina zemí vyrábějících automobily dras ticky omezila svou činnost. V roce 1939 byly General Motors (především) a Ford vedou cí společností na americkém trhu, Opel a Mercedes-Benz v Německu, Renault, Peugeot a Citroën ve Francii a Morris, Ford, Vauxhall (z General Motors), Standard a Rootes (výrobky Jaguar, Rover a Rolls-Royce) ve Spojeném království. Výroba aut mimo USA přežila hlavně díky tomu, že General Motors, Ford a Chrysler založily výrobní závody v jiných zemích. Po skončení války v roce 1945 došlo k významnému rozvoji automo-

28