UMĚLÁ INTELIGENCE V AUTOMOTIVE / David et al.

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