Die Erhöhung der Gesamtanlageneffektivität (OEE – Overall Equipment Effectiveness) ist ein wichtiges Ziel vieler Fertiger. Ab einem gewissen Niveau geht das kaum noch ohne Ermittlung und Nutzung relevanter Daten aus den Anlagen. Doch das lokale Erheben und Speichern der IoT-Daten von Steuerungen in einer Produktionsstraße reicht allerdings oft nicht aus. Wichtig ist vielmehr, diese Daten systemübergreifend zu vernetzen, um Erkenntnisse und Maßnahmen daraus abzuleiten. Um diese Fähigkeit zu erlangen, hat der IT-Dienstleister CGI für seine Kundenprojekte ein Fünf-Stufen-Konzept entwickelt. Auf jeder Stufe wird dabei ein bestimmter Grad an Automatisierung im Unternehmen realisiert.
1. Statische Regeln nutzen
Auf Level 1 geht es darum, statische Regeln festzulegen. Dabei werden Schwellenwerte und Grenzwerte durch Produktionsingenieure definiert, etwa hinsichtlich Durchsatz, Qualitätsrate oder Ausschussquote. Durch einen Soll-Ist-Vergleich können dann Abweichungen von der Norm in Produktionsprozessen erkannt werden. Basis für die effiziente Umsetzung ist eine gute Datenlage. Wichtig ist die Nutzung von IoT-Technik und Sensorik sowie Data Lakes, um Daten ohne kostspielige Datenbanken einzusammeln. Data Lakes sind auch eine gute Basis für weitreichende Big-Data-Analysen. Hilfreich ist zudem ein Echtzeit-Reporting, das im Unterschied zum rückblickenden Charakter von BI-Data-Warehouses einen Überblick zum aktuellen Stand in der Produktion gibt.
2. Fehler verstehen
Der zweite Schritt beinhaltet das Verstehen von Fehlern, das heißt die Identifizierung ungewöhnlicher Werte. Hierbei geht es um weit mehr als nur um das Messen von Abweichungen zwischen Schwellenwerten beziehungsweise Ist-Werten und Plan-Werten. Auf Basis einer persistenten Datenhaltung können auch historische Erkenntnisse gewonnen werden. Unter Nutzung statistischer Verfahren ist es dann zum Beispiel möglich, künftige Entwicklungen zu prognostizieren, etwa mit der Bestimmung des Zeitpunkts, an dem das nächste Event – etwa ein Produktionsstillstand – zu erwarten ist. Für die Anomalie-Erkennung kommen auf diese Digitalisierungstufe künstliche Intelligenz wie Machine Learning zum Einsatz. Damit werden automatisch Anomalien in Datenströmen ermittelt, die Qualitäts- und Leistungsschwankungen repräsentieren. Basis dafür sind die mit vorhandenen Erkenntnissen angelernten Algorithmen. Am Markt sind etliche geeignete Algorithmen verfügbar, oft als Open-Source-Software und teilweise bereits vortrainiert. Solche KI-Anwendungen sind gerade für den industriellen Sektor vorhanden. Bereitgestellt werden sie vor allem von den Equipment-Herstellern für den Edge-Bereich. Künstliche Intelligenz (KI) verspricht die Revolution der Fertigung, doch in der Praxis scheitern viele Projekte an einer unzureichenden Datenbasis. Warum Sie erst Ordnung schaffen müssen, bevor Sie Künstliche Intelligenz erfolgreich nutzen können. ‣ weiterlesen
Ohne Datenordnung keine Effizienz: Wie Sie Ihre Produktion KI-ready machen
Für Unternehmen besteht die erste Aufgabe darin, die Algorithmen im Trainingsmodus mit eigenen Daten zu füttern. Von entscheidender Bedeutung für die Anomalie-Erkennung ist eine umfangreiche Datenerhebung. Es handelt sich dabei um einen kontinuierlichen Prozess. Wenn Änderungen in den Daten bemerkt werden, kann der Algorithmus neu trainiert und damit weiter optimiert werden.
3. Fehler früh erkennen
Level 3 des Reifegrad-Modells umfasst das frühe Erkennen von Fehlern unter Einsatz von KI- und ML-Systemen. Genutzt werden dabei Algorithmen für die Event-Korrelation und Root-Cause-Analysen, die Zusammenhänge zwischen Fehlern und Ursachen herstellen. Dabei werden Datenströme untersucht, um Muster in der Vergangenheit zu erkennen, als Fehler auftraten. Das heißt, Fehler werden im Kontext vorhergehender Ereignisse gesehen. Ein Beispiel für ein solches Ereignis könnte das verstärkte Auftreten von Vibrationen sein. Als anerkanntes Verfahren für die Abdeckung der Level-3-Anforderungen gilt CRISP-DM (Cross-Industry Standard Process for Data-Mining). Damit kann ein Unternehmen Muster erkennen und darauf aufbauend entsprechende Maßnahmen initiieren. Prinzipiell zielt die Level-3-Stufe auf das Erkennen von Ereignissen ab, bevor sie eintreten. Mittels KI werden dabei Wahrscheinlichkeiten, etwa für unerwartete Störungen oder Leistungsverluste, ermittelt. Für Unternehmen besteht dadurch die Möglichkeit, eine ungeplante Downtime in eine geplante Downtime zu überführen. Auch für die erfolgreiche Umsetzung der Level-3-Stufe ist die Grundvoraussetzung, dass ausreichend Daten verfügbar sind.
Level 4: Empfehlungen anzeigen
In der vierten Stufe werden auf Basis der gewonnenen Erkenntnisse und der frühen Fehlererkennung konkrete Lösungsvorschläge und Maßnahmenpläne abgeleitet, also Empfehlungen für die Fehlerbehebung. Hierbei kommt eine KI-basierte Recommendation Engine zum Einsatz. Ihre für die Anzeige von Empfehlungen genutzten Algorithmen basieren auf der Mustererkennung und historischen Daten für die Fehlerbehebung. Das heißt, die beste Lösung für den aktuellen Fehler – die Next-Best-Action – wird somit aufgrund von gelernten vorherigen Lösungen vorgeschlagen. Die Validierung kann zum Beispiel über einen A/B Test erfolgen. So weiß ein Unternehmen, was funktioniert und was nicht.
5. Empfehlungen ausführen
Im letzten Schritt wird eine automatische Durchführung der Problemlösung beziehungsweise Fehlerbeseitigung projektiert. Technische Grundlage hierfür sind das Reinforcement Learning und ein digitaler Zwilling der Produktionsstraße. Beim Reinforcement Learning werden auf Basis eines Belohnungssystems Agenten trainiert und für komplexe Entscheidungssituationen eingesetzt. Dabei können neue, bisher nicht erfasste Entscheidungssituationen maschinell erzeugt und für ein erweitertes Training der Agenten genutzt werden, um damit eine höhere Entscheidungssicherheit zu erzielen. Auf dem Digital Twin, also dem digitalen Abbild des Prozesses, werden durch Software-Agenten autonom Lösungen gefunden. Ein solcher digitaler Zwilling bietet unter anderem die Möglichkeit, Simulationen durchzuführen, also Trainingsdaten simulativ abzuleiten und der KI zum Lernen zur Verfügung zu stellen. Damit sind auch Fehler analysierbar, die noch nie aufgetreten sind. Um diese fünfte Stufe des Modells zu erreichen, ist ein extrem hoher Datenreifegrad erforderlich. Außerdem stellt sich bei Level-5-Szenarien immer die Frage, inwieweit ein Unternehmen seinen kontrollierenden Einfluss verlieren will. Hier sind anwendungs- und anforderungsspezifisch individuelle Entscheidungen zu treffen.
Status Quo steigt stetig
Die ersten beiden Stufen lassen sich in der Fertigungsindustrie inzwischen als Commodity bezeichnen. Die weiteren Level erfordern deutlich mehr Prozess- und Datenintegration, gerade im Hinblick auf Systeme in den Bereichen ERP und Lagerbestandshaltung. Bei Großprojekten sollte eine sukzessive Implementierung der Automatisierung anhand des 5-Stufen-Konzepts erfolgen. CGI etwa hat das Verfahren bereits bei mehreren Unternehmen mit einer vollständigen Digitalisierung der Produktionsabläufe angewandt. So hat der Dienstleister für einen Stahlhersteller eine auf ML basierende Anwendung entwickelt, die beim Erkennen von Produktionsfehlern und der Optimierung von Prozessen unterstützt. Eine der größten Herausforderungen in der Stahlproduktion besteht darin, die Qualität des Stahls zu erhöhen und unnötigen Abfall durch Rissbildung zu reduzieren. Gemeinsam mit dem Hersteller wurde ein ML-Modell konzipiert, das mit einer Genauigkeit von mehr als 70 Prozent vorhersagen kann, wo und wann Risse auftreten würden. Der Hersteller konnte auf dieser Erkenntnisbasis seinen Fertigungsprozess anpassen, um den mit Rissen verbundenen Abfall zu reduzieren. Insgesamt betrachtet stellt das 5-Stufen-Konzept eine konkrete Blaupause für die Realisierungsmöglichkeiten von Automatisierung und für die Nutzung von Algorithmen bereit. Anhand der Level-Darstellung kann ein Unternehmen seinen eigenen Reifegrad auf dem Weg zu Smart Manufacturing einordnen. Eines darf bei der Umsetzung nie vergessen werden: Die Erhöhung des Reifegrads ist immer eine Aufgabe, die sowohl die Produktion als auch die IT betrifft. Fertigungsingenieure und Entwickler müssen Hand in Hand arbeiten, um den Projekterfolg abzusichern.
