Qualität vorhersagen
Grundannahme für die Vorhersage der Qualität ist, dass es auch dann zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle Prozessparameter innerhalb der jeweils gültigen Toleranzen bewegen. Grund dafür sind komplexe Zusammenhänge und Wechselwirkungen, die oft auf die Fertigungstechnologie zurückzuführen sind. Die Anwendung Predictive Quality berücksichtigt diese Zusammenhänge und gibt Mitarbeitern in der Fertigung die Möglichkeit, sofort zu sehen, ob der aktuell produzierte Artikel Ausschuss oder ein gutes Teil ist – und das auch noch unter Angabe der Eintrittswahrscheinlichkeit. Die Vorhersage der Qualität und die Berechnung der Wahrscheinlichkeit basiert auf einer modellbasierten Echtzeitanalyse (Advanced Analytics) von Prozesswerten. Im Vorfeld dazu muss ein geeignetes Modell generiert und im Idealfall auch kontinuierlich verifiziert und weiterentwickelt werden. Künstliche Intelligenz spiel in beiden Fällen eine wesentliche Rolle.
Potenziale von KI nutzen
Es gibt viele Möglichkeiten für den Einsatz von künstlicher Intelligenz in der Fertigungs-IT. Daher hat sich der MES-Hersteller MPDV mit Perfect Pattern, einem Experten für künstliche Intelligenz in der Industrie, zusammengetan und ein gemeinsames Tochterunternehmen gegründet: AIMES – das steht für Artificial Intelligence for Manufacturing Excellence Solutions. Ziel dieser Ausgründung ist es, die Technologien von Perfect Pattern zu nutzen, um damit Produkte von MPDV zu verbessern und neue zu entwickeln. Der Fokus liegt dabei auf Machine Learning.
Nutzen von Machine Learning
Die herkömmliche Vorgehensweise bei der Analyse von Daten sieht vor, dass der Input mittels eines Programms zum gewünschten Output verarbeitet wird. Bei Machine Learning hingegen füttert man das System mit Input und Output, um daraus ein Programm bzw. ein Modell erstellen zu lassen. Ein fachfremdes Beispiel soll diesen Unterschied verdeutlichen: Bisher fütterte man das System mit Bildern von unterschiedlichen Formen (Input) und das Programm konnte mittels Kantenerkennung feststellen, ob es sich um ein Dreieck, ein Viereck oder einen Kreis handelt (Output). Bei Machine Learning würde man dem System eine große Anzahl von Bildern von Dreiecken, Vierecken und Kreisen zeigen (Input) und diese der jeweiligen Kategorie zuweisen (Output). Daraus generiert das System ein Modell. Zeigt man dem System nun ein Bild von einem beliebigen Kreis, würde es diesen auf Basis des generierten Modells als solchen erkennen. Der Vorteil liegt auf der Hand: Man kann den gleichen Algorithmus dazu verwenden, Hunde von Katzen bzw. Autos von Fahrrädern zu unterscheiden – nur durch ein erneutes Anlernen und ohne Programmierung. Man muss dem System also nicht erklären, wie man A von B unterscheidet – das System lernt es quasi selbst. Oft sind die Einflussgrößen und deren Zusammenhänge untereinander auch gar nicht bekannt – man könnte einer Software also gar nichts erklären. Auf die Smart Factory bezogen ist dieser Vorteil essenziell, da die Komplexität, also die Zahl der möglichen Zustände, quasi unendlich ist. Eine Programmierung von Regeln zur Erkennung von Zuständen, Abweichungen und Störungen wäre schier unmöglich. Kontinuierliches Lernen (Machine Learning) erweist sich in diesem Fall als die bessere Methode.