Daten analysieren, Produktion verbessern

Daten analysieren, Produktion verbessern

Welche Wege schlägt die Industrie 4.0 als nächstes ein? Frans Cronje, Geschäftsführer des Machine-Learning-Spezialisten Data Prophet, ist der Ansicht, dass künstliche Intelligenz der nächste bedeutende Schritt für Hersteller sein wird und dieser bereits unmittelbar bevorsteht.

 (Bild: ©sdecoret/Fotolia.com)

(Bild: ©sdecoret/Fotolia.com)

Aus dem Schlagwort Industrie 4.0 ist inzwischen ein Industriestandard geworden. Wenn man nicht einmal darüber nachdenkt, wie man seine Daten zur Optimierung der Produktionsverfahren nutzen kann, riskiert man es, auf der Strecke zu bleiben. Die Umsetzung von Industrie 4.0 in einer Anlage oder Fabrik ist jedoch längst nicht das Ende der Fahnenstange oder gar eine einfache Rechenaufgabe. Vielmehr ist es eine sich weitere entwickelnde Philosophie, in die fortwährend innovative Ideen integriert werden und die ständig unerwartete Wendungen nehmen wird. Was also wird als nächstes passieren? Zunächst einmal befindet sich jedes Unternehmen in einer anderen Phase. Jedoch haben alle Firmen, die auf Industrie-4.0-Technologien umstellen, etwas gemeinsam: Sie alle versuchen die Daten ihrer Fertigungslinien zu sichten, zu sortieren, zu löschen, einzustufen und vor allem auch zu analysieren.

75690819 - close up of engineer using computer controlled probe to scan engine block (Bild: ©industrieblick/Fotolia.de)

75690819 – close up of engineer using computer controlled probe to scan engine block (Bild: ©industrieblick/Fotolia.de)

Expertise erhöhen

In einer Prozesssteuerungsumgebung wird dabei eine riesige Datenmenge generiert. Diese ist so umfangreich, dass sie nicht von einer Person allein interpretiert werden kann. Daher besteht die Gefahr, dass die Bediener von der Informationsflut überwältigt werden und wichtige Möglichkeiten der Prozess- und Qualitätsoptimierung ungenutzt bleiben. Die Antwort lautet, menschliche Expertise durch künstliche Intelligenz (KI) zu erhöhen – nicht nur zu Analysezwecken, sondern um Maßnahmen vorherzusagen und einzuleiten. Eine korrekte Vorhersage der nächsten Schritte in einer bestimmten Situation und präventive Korrekturmaßnahmen erweisen sich als überaus nützlich, wenn dies auf kostengünstige Weise, im angemessenen Umfang und früh genug erfolgen kann, um Ergebnisse sinnvoll zu verändern, beispielsweise um Ausschuss zu vermeiden. Kurz gesagt, der KI-Einsatz hat das Ziel, große Datenmengen so zu nutzen, dass die Kosten von Qualitätsmängeln drastisch gesenkt werden, indem den Bedienern optimale Parametereinstellungen vorgegeben werden. Wenn künftige Ereignisse in vollem Umfang vorhergesagt werden können und dies zum Standard wird, können dadurch sämtliche Disziplinen revolutioniert werden. Die offensichtlichsten Beispiele dafür sind Google, Facebook oder Amazon. Dort wurden Anwendung und Effizienz von Plattformen und Massenwerbung durch KI radikal verbessert. Beispielsweise werden riesige Mengen von scheinbar zusammenhangslosen Online-Verhaltensdaten, die von Milliarden von Google- und Facebook-Nutzern generiert werden, mithilfe von KI gesichtet. Durch den Einsatz der Technologie können dann in Echtzeit die besten Antworten auf Suchabfragen oder die nützlichsten Werbeanzeigen ausgewählt werden, die den einzelnen Benutzern angezeigt werden sollen.

Komplexe Umgebungen

Warum sollte dieser Prozess also nicht auch für Produktionsdaten geeignet sein? Ob in der Automobilbranche, im Bergbau oder in anderen Schwerindustriezweigen – zu Fertigungslinien aus der realen Arbeitswelt gehören immer mehrere Prozessabläufe. Manche laufen parallel, andere sequenziell, aber alle beeinflussen sich gegenseitig und erfordern eine bestimmte Kombination aus Produktionsvariablen, damit die optimale Effizienz und der geringste Verlust gewährleistet sind. KI-Lösungen werden in komplexen Produktionsumgebungen wie Gießereien, Mineralaufbereitungswerken, Langstahlwalzwerken und bei der Automobilherstellung sowie in Montageanlagen eingesetzt. Dort werden aus verschiedenen Quellen Verlaufsdaten zu Produktion und Qualität gesammelt und in einer übersichtlichen Ansicht dargestellt. Anschließend können die Daten in Echtzeit mit Algorithmen verarbeitet werden, um potenziellen Qualitätsproblemen bei nachgelagerten Prozessen vorzugreifen. Darüber hinaus können proaktiv Korrekturmaßnahmen vorgegeben werden, um Qualitätsabweichungen zu vermeiden. Und das ist längst keine Theorie mehr. Es ist bereits möglich, mithilfe von maschinellen Lernmethoden, digitale Kopien von Anlagen zu erstellen, um die optimale Betriebsweise von komplexen mehrstufigen industriellen Prozessen zu ermitteln.

Konsequenzen verhindern

Bei herkömmlichen statistischen Methoden stellen die Menge, die Rate und die Diversität der Daten in umfangreichen Herstellungsprozessen ein Problem dar. Wo unbeabsichtigte Konsequenzen, die oft in großen, komplexen Fertigungslinien auftreten, durch statistische Prozesssteuerungen nicht bewältigt werden können, bieten KI-Algorithmen die Möglichkeit, Kaskadeneffekte zu analysieren und erfolgreich Vorhersagen zu treffen. Es werden Betriebsparameter vorgeschlagen, um unbeabsichtigte Konsequenzen zu verhindern und die Qualität zu optimieren. Die Feinabstimmung von Produktionsparametern ist bisher praktisch unabhängig von vor- oder nachgelagerten Variablen auf Zell- oder Maschinenebene erfolgt. Deshalb war es nahezu unmöglich, die Auswirkungen von Änderungen bei vorgelagerten Prozessen zu ermitteln und weitere Probleme zu verhindern.

Steuerungen einstellen

Durch KI-Abläufe können Steuerungen abhängig von den relativen Auswirkungen der einzelnen Zellen oder Maschinen innerhalb der gesamten Fertigungslinien eingestellt werden. Durch die gleichzeitige Nutzung von Daten aus verschiedenen Quellen einer Produktionsanlage erhält man ein umfassendes Bild, aufgrund dessen anschließend die richtigen Produktionsparameter eingestellt werden können. Das oberste Ziel besteht darin, den optimalen Betriebsstatus der Fertigungslinie zu erreichen und mögliche Defekte an den einzelnen Stationen des Produktionsprozesses effektiv zu verringern.

Aus der Praxis

Wie Herstellungsprozesse durch Künstliche Intelligenz revolutioniert werden können, zeigt sich in der der Praxis. Data Prophet arbeitet beispielsweise seit einigen Jahren mit einer der größten Gießereien der Südhalbkugel zusammen, die Motorblöcke für Daimler. Das Werk hatte mit Problemen aufgrund von hohen Ausschuss- und Nacharbeitsquoten zu kämpfen, welche sich sehr negativ auf die Kostenbasis auswirkten. Gelöst wurde das Problem, indem 15 Monate lang Produktionsdaten unterschiedlicher Formate, die von Excel-Dateien bis hin zu Access-Datenbankdaten reichten, aus allen Teilen des Unternehmens gesammelt wurden. Anschließend ermittelte man mit dem Prognosemodell Omni die optimalen Betriebsparameter und identifizierte Motorblöcke, an denen Defekte auftreten würden. So wurde die Ausschussquote im ersten Betriebsmonat um 50 Prozent verringert und die externe Ausschussquote innerhalb der ersten drei Monate auf 0 Prozent reduziert.

Umfassendes Bild

Die KI-Funktionen und -Lösungen wie Omni von Data Prohpet ermöglichen es den Benutzern, den gesamten Produktionsprozess durch die Analyse von Verlaufsdaten aus unterschiedlichen Quellen und von Echtzeit-Produktionsdaten aufzuzeichnen. Damit erhalten die Bediener ein umfassendes Bild der Produktions- und Qualitätsdaten jedes einzelnen hergestellten Teiles. Anschließend können die Benutzer Berichte einsehen, in denen die optimalen Parameteränderungen vorgegeben werden, und die Effizienz aktueller Betriebsparameter mit früheren Parametern vergleichen. Dank Omni ist es nun möglich, die Produktionszustand konstant auf dem optimalen Niveau zu halten, indem Qualitätsabweichungen, Betriebsausfälle und Verluste verringert werden.

DataProphet
www.dataprophet.com

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.