Machine Learning in der Fertigungs-IT

Manufacturing Analytics und künstliche Intelligenz

Die Bandbreite an Analyseanwendungen reicht von klassischen Reports und Kennzahlen über Self Service Analytics bis hin zu künstlicher Intelligenz. Bei aller Vielfalt sollte der Zweck nicht aus dem Fokus geraten: transparenter und effizienter fertigen zu können. Zumal immer wieder neue Manufacturing-Analytics-Instrumente entwickelt werden.
Moderne Analyse auf Basis von künstlicher Intelligenz: Predictive Quality von MPDV
Moderne Analyse auf Basis von künstlicher Intelligenz: Predictive Quality von MPDVBild: ©Alterfalter/stock.adobe.com / MPDV Mikrolab GmbH

Um wettbewerbsfähig produzieren zu können, brauchen Fertigungsunternehmen bestmögliche Transparenz. Denn nur wer weiß, wie es im Shopfloor gerade läuft, kann an den geeigneten Stellschrauben drehen und die Prozesse optimieren. Über die Jahre haben sich Werkzeuge wie Kennzahlen und deren Darstellung in Dashboards als nützlich herauskristallisiert. Heutzutage braucht es aber deutlich mehr – z.B. hält künstliche Intelligenz immer häufiger Einzug in die Fabrikhallen.

Klassische Anwendungen

Bisher gehören beispielsweise Auswertungen, Dashboards und Reports genauso wie Kennzahlen zu den gängigen Analytics-Werkzeugen. Viele dieser Anwendungen sind Bestandteil eines Manufacturing Execution Systems (MES) wie Hydra von MPDV. Beliebte Auswertungen sind beispielsweise die Ausschussstatistik, das Maschinenzeitprofil, der OEE-Report oder auch die klassische Regelkarte in der Qualitätssicherung. In allen Fällen entsteht der Mehrwert dadurch, dass Hydra Informationen darstellt, die aus erfassten Rohdaten berechnet bzw. aggregiert wurden. Im Sinne einer ‚Rückspiegelbetrachtung‘ spricht man hier auch von Descriptive Analytics.

Self Service Analytics

Oft gehen die Anforderungen von Fertigungsunternehmen über standardisierte Kennzahlen und vorgefertigte Auswertungen hinaus. Insbesondere wenn größere Datenmengen zur Analyse zur Verfügung stehen, bietet es sich an, auf Methoden des Self Service Analytics zurückzugreifen, um so eine individuelle Ursachenforschung zu betreiben. Der Klassiker hierfür ist die Pivot-Tabelle, die viele aus Excel kennen und die auch im MES Hydra zum Einsatz kommt. Ein Praxisbeispiel ist die Fehlerschwerpunktanalyse. Die flexible Anordnung von Datenfeldern in Zeilen und Spalten sowie der Einsatz von Filtern und Korrelationsfunktionen ermöglichen eine Eingrenzung von Daten auf relevante Werte. So kann jeder Anwender selbst entscheiden, wie seine Auswertung aussieht – er bedient sich im wahrsten Sinne des Wortes selbst und nutzt die angebotenen Werkzeuge, um an sein Ziel zu gelangen. Sollen Daten aus unterschiedlichen Quellen miteinander korreliert werden, lässt sich das MES-Cockpit von MPDV nutzen, welches zur Visualisierung auf Qlik-Technologie zurückreift.

Machine Learning stellt die Methoden der klassischen Programmierung auf den Kopf und gewinnt damit an Flexibilität.
Machine Learning stellt die Methoden der klassischen Programmierung auf den Kopf und gewinnt damit an Flexibilität.Bild: MPDV Mikrolab GmbH

Advanced Analytics

Waren die zuvor beschriebenen Analysemethoden eher vergangenheitsbezogen, so gewinnen Echtzeitanwendungen immer mehr an Bedeutung. In Zeiten von Industrie 4.0 hört man in diesem Zusammenhang häufig Schlagworte wie künstliche Intelligenz (KI) oder Machine Learning. Dahinter verbergen sich Algorithmen und Methoden, die Daten in einer Weise analysieren, die dem menschlichen Verstand nachempfunden ist. Beispielsweise dienen große Datenmengen dazu, daraus ein Modell zu generieren, was die realen Abläufe hinreichend abbildet. Auf Basis dieses Modells können dann Abweichungen besser erkannt und eingeordnet werden. In den letzten Jahren konnte man in diesem Umfeld viel von Predictive Maintenance hören – also einer Möglichkeit, Störungen und Ausfälle von Maschinen vorherzusagen. Eine solche Anwendung kann auf modellbasierten Analysemethoden funktionieren. Ein anderes Beispiel für Advanced Analytics ist die zur Hannover Messe vorgestellte Lösung Predictive Quality von MPDV.

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.

Klassische Analytics-Anwendungen haben noch lange nicht ausgedient: Das Maschinenzeitprofil im MES Hydra von MPDV.
Klassische Analytics-Anwendungen haben noch lange nicht ausgedient: Das Maschinenzeitprofil im MES Hydra von MPDV.Bild: ©nd3000/stock.adobe.com / MPDV Mikrolab GmbH

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.

Anomalieerkennung und Wiedererkennung

Beim Einsatz von Machine Learning in der Fertigung würde man also zunächst eine Anlernphase ansetzen, in der das System alle erfassten Daten inklusive daraus resultierender Entscheidungen und Maßnahmen zur Analyse bekommt. Anschließend erhält das System weiterhin die erfassten Daten und kann aufgrund der gemachten ‚Erfahrungen‘ Abweichungen nach dem Motto erkennen: ‚Habe ich bisher noch nicht gesehen, das muss eine Abweichung sein‘. Die Art der Abweichung ist unerheblich – es kann sich auch um ein bisher unbekanntes Problem handeln. Im Zuge des kontinuierlichen Weiterlernens klassifiziert der Anwender bereits erkannte Anomalien, damit das System sie künftig nach dem Motto einordnen kann: ‚Habe ich schon einmal erkannt, das ist ein Werkzeugbruch‘. Somit wird die Software von ganz alleine immer besser.

Ein neuer Trumpf im Blatt

Mögliche Einsatzbeispiele für Machine Learning in der Fertigung sind die Erkennung von Ausschuss anhand von Bildern oder Videos, die Erkennung und Einordnung von Maschinenstörungen anhand von Prozesswerten oder die Erkennung von Störungen im logistischen Ablauf der Fertigung. In einem nächsten Schritt könnte das System auf Basis der eigenen Erfahrungen Handlungsempfehlungen aussprechen oder sogar eigenständig optimierende Maßnahmen einleiten. Doch bei allem Potenzial, das in Machine Learning steckt, gilt weiterhin: In der werksnahen IT sollte je nach Anwendung entschieden werden, welche Methoden, Werkzeuge und Technologien eingesetzt werden. Künstliche Intelligenz ist lediglich eine weitere Trumpfkarte eines breit gefächerten Blattes im Kartenspiel der Industrie 4.0.

Das Modell Smart Factory Elements von MPDV ordnet die Abläufe einer modernen Fabrik in fünf Elemente ein, die einen Regelkreis bilden. Dieser sieht vor, dass auf Basis von Vorgaben unterschiedlicher Quellen die Fertigung geplant (Planning & Scheduling) und diese Planung dann umgesetzt (Execution) wird. Die dabei erfassten Daten werden analysiert (Analytics), um daraus unter anderem Vorhersagen abzuleiten (Prediction), die zusammen mit anderen Erkenntnissen wiederum in die Planung einfließen können. Das Industrial Internet of Things (IIoT) unterstützt diesen Kreislauf durch die Erfassung und Bereitstellung von Daten. Das Modell erweitert den Horizont bisheriger Fertigungs-IT wie beispielsweise MES um die Aufgabenfelder Analytics und Prediction, um die es in diesem Beitrag geht. Auch weiterhin lassen sich viele werksnahe Aufgaben hervorragend mit einem MES wie Hydra von MPDV abbilden. Mehr Infos unter: mpdv.info oder den QR-Code scannen. @Überschrift_MuT:Das“ rel=“nofollow“ target=“_blank“> Wichtigste in Kürze

Es gibt auch in Zukunft Anwendungsfälle für klassische Analytics-Anwendungen wir Dashboards und Kennzahlen.

Ohne die passende Datenbasis funktionieren Prediction-Anwendungen nicht.

Künstliche Intelligenz und Machine Learning sind nützliche Werkzeuge, um komplexe Zusammenhänge in der Smart Factory zu erkennen und zu bewerten.

Auch bei künstlicher Intelligenz gilt es abzuwägen, ob deren Einsatz zielführend oder Selbstzweck ist.

Tipp:

Das könnte Sie auch Interessieren

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.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

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.