Mit Maschinendaten zu einem effektiveren Maschinenpark

600 Daten pro Sekunde

Die wenigsten Fertigungsumgebungen sind homogen. Maschinen unterschiedlicher Hersteller und unterschiedliche Steuerungen bringen Herausforderungen mit sich, wenn es darum geht, einen Wert aus ihren Daten zu ziehen. Bei FactoryPal will man diesen Herausforderungen mittels Machine Learning begegnen - unter Einbeziehung der Mitarbeiter.
Bild: ©spainter_vfx/stock.adobe.com

Seit Jahren treibt das Unternehmen Körber die Frage um, wie man den Hype um das Potenzial von künstlicher Intelligenz (KI) und Internet of Things (IoT) in sinnvolle Lösungen für die industrielle Produktion umwandeln kann. Als Körber-Konzern liegt der Fokus auf Fertigungsmaschinen u.a. für die Segmente Pharma, Supply Chain oder Tissue. Dementsprechend haben die Bestrebungen des Unternehmens für digitale Innovationsprozesse genau dort angesetzt, in der Industrie 4.0 für Maschinen.

Verschiedene Hersteller, zahlreiche Herausfordeurngen

Selbst die optimierteste Fertigungsanlage besteht aus Maschinen verschiedener Hersteller und diversen Produktionslinien. Das bringt zahlreiche Herausforderungen mit sich, bei denen KI aber auch maschinelles Lernen (ML) wertstiftend eingesetzt werden können – sei es das Koordinieren unterschiedlicher Geschwindigkeiten innerhalb einer Produktionslinie oder die Reduktion von Ausfallzeiten. Am Ende ist die Messlatte für einem effektiven Produktionsablauf die Overall Equipment Effectiveness (OEE), bzw. Gesamtanlageneffektivität. Diese zu steigern, war das Ziel von Körber Digital bei der Gründung von FactoryPal Ende 2019. Das Unternehmen wendete sich zunächst an die Tissue-Industrie. Nicht zuletzt, weil der Körber-Konzern hier ein eigenes Geschäftsfeld hat, das das branchenspezifisches Detailwissen zur Maschinensteuerung und den Produktionsmaschinen liefert. Die entwickelte KI-getriebene, maschinen-agnostische SaaS-Lösung richtet sich mittlerweile jedoch an alle Fertigungsunternehmen in der Prozessindustrie. Die Software ist in der Lage rund 600 Produktionsdaten pro Sekunde zu verarbeiten. Die dabei gewonnen Daten werden ausgewertet und Empfehlungen für optimale Maschineneinstellungen werden in Echtzeit als Nachricht auf mobile Apps an die Ingenieure und Maschinenführer geschickt. Die Daten werden dabei über ein, beim Anwenderunternehmen installiertes IoT-Gateway gesammelt und in eine Cloud übertragen.

Maschinendaten aus 30 Produktionslinen

Der Nutzen der Softwarelösung hat sich u.a. bei der Umsetzung für einen von Europas führenden Herstellern von Hygienepapieren und Recyclingfasern gezeigt. Die Ausgangssituation war komplex, ging es doch darum die Maschinen-Daten von 30 Produktionslinien in neun europäischen Fabriken in verwertbare Ergebnisse umzuwandeln und die Gesamtanlageneffektivität zu steigern, im Zusammenspeil mit Mensch, Technik und Software. Das Hauptproblem besteht in diesem und ähnlichen Fällen insbesondere in der Datenerfassung – die Komplexität und die große Menge der Daten erschwert eine Auswertung. Zugleich schmälern Fehleinschätzungen und Inkonsistenzen das Vertrauen in die gesammelten Informationen. Um diese Fehleinschätzungen zu verhindern, generiert Körber mit einem eigenen Team die gesamte KI-Pipeline selbst. Wie auch bei anderen Kooperationen galt auch in diesem Fall, dass die Lösung von Anfang an so eng wie möglich an den Bedürfnissen der Anwender ausgerichtet wird.

Handeln der Mitarbeiter ermöglichen

Der beschriebene Use-Case machte schnell klar, dass bereits kleine und ungeplante Ausfallzeiten in der Fertigung zu erheblichen OEE-Rückgängen führen können. Es ist eine Schwierigkeit für die Fabriken, diese Aktivitäten zu erfassen, zu analysieren, um dann schnell darauf reagieren und die Auswirkungen minimieren zu können. Gelingen kann dies, wenn man proaktives Handeln der Mitarbeiter in der Produktion ermöglicht. FactoryPal wendet dafür ein ML-Modell an, das die zukünftige OEE vorhersagen kann. Auch Produktionsleistung und Maschinenalarme werden in die Datenanalyse integriert, um potentielle Engpässe im Produktionsprozess schnell aufzuspüren und zu verhindern. Um diesen Blick nach vorne gewährleisten zu können, kombiniert die Software Daten aus unterschiedlichen Datenquellen: Neben den Eingaben der Maschinenbediener – z.B. Grund für die Ablehnung einer Maschinenparameterempfehlung – sind das vor allem Maschinendaten, die von den SPSen in der Fertigung ausgelesen werden oder auch Daten aus anderen Kundensystemen wie ERP und MES, z.B. Produktspezifikationen und Arbeitsaufträge. Sind die Daten eingelesen und übertragen, werden diese in der Cloud von der generierten KI-Pipeline analysiert. Haben die Algorithmen Vorschläge zur Optimierung errechnet, werden diese an den zuständigen Maschinenführer geschickt. Einfach als Handlungsempfehlung auf eine App, die sowohl am PC, Smartphone als auch auf dem Tablet läuft. Durch die Anwendung der KI-generierten Empfehlungen konnten bisher signifikante OEE-Steigerungen von bis zu 30 Prozent über der initialen Baseline erzielt werden. Dies resultiert unter anderem aus stabileren Produktionsläufen, was sich durch reduzierte Maschinenstillstandszeiten von teilweise mehr als 50 Prozent zeigt.

Maschinenführer wird zum Dirigenten

Die technologische Weiterentwicklung sprintet in unglaublichem Tempo voran. Die Auswertung von Daten in Echtzeit macht es bereits jetzt möglich die Gesamtanlageneffektivität von Fertigungsunternehmen signifikant zu steigern. Ziel ist es, die Software so zu bauen, dass sie den Faktor Mensch in der industriellen Fertigung stärkt und einen Fokus auf die Interaktion zwischen Mensch, Technologie und Software legt. Vermutlich wird es zukünftig nicht bei 600 Daten pro Sekunden bleiben. Mit Hilfe der Echtzeitdaten und effektiver Kommunikation wird der Maschinenführer so zukünftig zum Dirigenten über ein harmonisch orchestriertes Maschinenensemble. Klar ist, Künstliche Intelligenz und maschinelles Lernen benötigen in letzter Konsequenz weiterhin auch den Menschen, um im industriellen Kontext Mehrwert zu stiften. Der Mensch wiederum kann sich darauf verlassen, dass Instrumente, die ihm zur Verfügung stehen, immer effektiver werden.

Das könnte Sie auch Interessieren

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.