www.konstruktion-industrie.com
DataProphet

Künftige Herausforderungen der Fertigung

Welche Wege schlägt die Industrie 4.0 als nächstes ein? Frans Cronje, Geschäftsführer von DataProphet, ist der Ansicht, dass Künstliche Intelligenz der nächste bedeutende Schritt für Hersteller sein wird und dieser bereits unmittelbar bevorsteht.

Künftige Herausforderungen der Fertigung
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 immer weiter entwickelnde Philosophie, in die fortwährend innovative Ideen integriert werden und die ständig unerwartete Wendungen nehmen wird.

Was also wird als nächstes passieren? Zunächst einmal müssen wir eine Bestandsaufnahme machen. Jedes Unternehmen befindet sich in einer anderen Phase. Jedoch haben alle Firmen, die auf Industrie 4.0 umstellen, etwas gemeinsam: Sie alle versuchen die Daten ihrer Fertigungslinien zu sichten, zu sortieren, zu löschen, einzustufen und vor allem auch zu analysieren.
Künftige Herausforderungen der Fertigung
In einer Prozesssteuerungsumgebung wird 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 die Ergreifung von präventiven Korrekturmaßnahmen erweist 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 besteht das Ziel Künstlicher Intelligenz darin, 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 wir dadurch sämtliche Disziplinen revolutionieren. Die offensichtlichsten Beispiele für diese Revolution sind Google, Facebook und Amazon. Dort wurde die Anwendbarkeit 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 von KI können dann in Echtzeit die besten Antworten auf Suchabfragen oder die nützlichsten Werbeanzeigen ausgewählt werden, die den einzelnen Benutzern angezeigt werden sollen.

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 wie OMNI von DataProphet™ 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 KI-Algorithmen verarbeitet werden, um potenziellen Qualitätsproblemen bei nachgelagerten Prozessen vorzugreifen. Darüber hinaus können proaktiv Korrekturmaßnahmen zur Vermeidung von Qualitätsabweichungen vorgegeben werden.

Und das ist längst keine Theorie mehr. Inzwischen ist es möglich, mithilfe von fortschrittlichen überwachten oder unbeaufsichtigten maschinellen Lernmethoden, digitale Kopien von Anlagen zu erstellen, um die optimale Betriebsweise von komplexen mehrstufigen industriellen Prozessen zu ermitteln.
Künftige Herausforderungen der Fertigung
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.

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.

Wie Herstellungsprozesse durch Künstliche Intelligenz revolutioniert werden können, zeigt sich auch an Fallstudien aus der Praxis. Wir von DataProphet arbeiten beispielsweise seit einigen Jahren mit einer der größten Gießereien der Südhalbkugel zusammen, die Motorblöcke für die Daimler AG herstellt. Das Werk kämpfte mit erheblichen Probleme aufgrund von hohen Ausschuss- und Nacharbeitsquoten, 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 % verringert und die externe Ausschussquote innerhalb der ersten drei Monate auf 0 % reduziert. Letztlich wurden insgesamt 1 Million $ jährlich eingespart. In der Tat wurde nach dem Einsatz von OMNI™ zum ersten Mal in der Geschichte des Unternehmens kein einziges defektes Gussstück mehr produziert.

Die Funktionen von Lösungen der Künstlichen Intelligenz wie OMNI™ 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.

Vanesse Machill, Funktion: Territory Sales Manager (Amerika)
Künftige Herausforderungen der Fertigung
E-Mail-Adresse: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
Mobilnummer: +1 (224) 323 6856
Twitter: https://twitter.com/_dataprophet
LinkedIn: https://www.linkedin.com/in/vanessemachill/


Frans Cronje, Geschäftsführer und Mitbegründer von DataProphet

Künftige Herausforderungen der Fertigung
E-Mail-Adresse: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
Mobilnummer: +1 (312) 661 5890
Twitter: https://twitter.com/_dataprophet
LinkedIn: https://www.linkedin.com/in/frans-cronje/

Forest Holleman, VP Business Development (USA)

Künftige Herausforderungen der Fertigung
E-Mail-Adresse: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
Mobilnummer: +1 (224) 245 5943
Twitter: https://twitter.com/_dataprophet
LinkedIn: https://www.linkedin.com/in/forrestholleman/

Ansprechpartner für Presse- und Öffentlichkeitsarbeit

WPR Agency Limited
Andy Williams, Account Director

E-Mail-Adresse: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
Tel.: 0121 (207)4563004
Mobilnummer: 07880381665
Website: wpragency.co.uk
Twitter: @WPRAgency

Tom Leatherbarrow, B2B Director
E-Mail-Adresse: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
Tel.: 0121 (207)4563004
Mobilnummer: 07739 403 956
Website: wpragency.co.uk
Twitter: @WPRAgency

  Fordern Sie weitere Informationen an…

LinkedIn
Pinterest

Nehmen Sie an unseren 155000 IMP Followern teil