Lesedauer: min
Machine Learning in der Fertigungs-IT

Jan 8, 2020 | Analytics/OEE

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 (Bild: ©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.

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.

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: http://mpdv.info/faitpansfe.

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.

Seiten: 1 2Auf einer Seite lesen

Autor:
Firma:

MARKT – TRENDS – TECHNIK

Weitere Beiträge

Das könnte Sie auch interessieren

Familienzuwachs beim digitalen Zwilling

Der Digital Twin und die virtuelle Inbetriebnahme erhalten in modernen Produktionsumgebungen immer mehr Gewicht. Dass dafür nicht nur Software, sondern auch die richtige Hardware nötig ist, will das Unternehmen Machineering mit der FieldBox 1 unterstreichen. Jetzt wurde diese Hardware-Basis für moderne Simulation in zwei unterschiedlichen Leistungsvarianten vorgestellt.

mehr lesen

Künstliche Intelligenz optimiert Predictive Maintenance

Mit dem Ziel, genauere und schnellere Prognosen in der vorausschauenden Wartung (Predictive Maintenance) zu erstellen, integriert Endian künstliche Intelligenz (KI) in seine IIoT-Lösung Endian Connect Platform: Über einen Knowledge Graph werden Informationen aus unterschiedlichen Datenbanken zusammengeführt, um möglichst exakte Prognosen über zukünftige Maschinenzustände zu berechnen.

mehr lesen

Datenanalytik für den optimalen Gebäudebetrieb

In jeder Sekunde erzeugen Aktoren, Sensoren, Zähler, Geräte, Anlagen und Systeme der Gebäudetechnik riesige Mengen an Daten. Bisher wurde nur ein kleiner Teil davon für Optimierungen im Gebäudebetrieb genutzt. Mit der zunehmenden Digitalisierung ist es möglich, Gebäude mit Hilfe dieser Daten zum Sprechen zu bringen. Für Betreiber und Facility-Manager ergeben sich damit enorme Optimierungschancen. Voraussetzung ist, dass sie verstehen, was das Gebäude mitzuteilen hat. Hier bieten digitale Services wie technisches Monitoring die notwendige Unterstützung.

mehr lesen
Wartung der Sicherheitsbeleuchtung per App

Wartung der Sicherheitsbeleuchtung per App

Über eine einfach zu bedienende App kann durch das NaveoPro-System von ABB die komplette Sicherheitsbeleuchtungsinstallation eingerichtet, gewartet und gesteuert werden. Der dadurch gewonnene Echtzeit-Überblick über alle Systeme spart Zeit, ermöglicht eine bessere Wartungsplanung und
erhöht die Sicherheit im Gebäude.

mehr lesen

Anlagentransparenz mit IO-Link

Die Steigerung der Anlagenverfügbarkeit bei einer gleichbleibend hohen Qualität der produzierten Produkte ist eine wesentliche Anforderung im Maschinen- und Anlagenbau. Dafür sind Transparenz im Produktionsprozess und die hervorragende Konstruktion der Maschinen essenziell. Die kontinuierliche Messwerterfassung überwacht den Fertigungsprozess genau. Das ermöglicht eine schnelle Reaktion auf Veränderungen, was zu stabilen Fertigungsabläufen und guten Resultaten führt. Sensoren erfassen eine Vielzahl von Messwerten in der Anlage. Für deren Weiterleitung zu den übergeordneten Steuerungssystemen ist IO-Link sehr gut geeignet.

mehr lesen

Elektronik für verteilte KI zur sensorbasierten Prozess- und Zustandskontrolle

Das Bundesministerium für Bildung und Forschung (BMBF) investiert aktiv in die Entwicklung neuer Elektroniksysteme und fördert dabei Verbundforschungsprojekte, die signifikant zur Umsetzung des Zukunftsprojekts Industrie 4.0 beitragen. Ziel des vom BMBF geförderten Gesamtprojekts KI-Predict ist die Nutzung von Methoden der künstlichen Intelligenz (KI) auf unterschiedlichen Ebenen des Produktionsprozesses als Basis für die zustandsbasierte, prädiktive Wartung von Produktionsanlagen und die Überwachung der Produktqualität direkt im Produktionsprozess. An diesem Projekt sind insgesamt sieben Partner beteiligt: unter ihnen das Fraunhofer-Institut für Integrierte Schaltungen IIS mit der Entwicklung eines Sensor-Interface ASICs. Das Besondere daran: Es ist auf Sensoren für Condition-Monitoring und Echtzeit-Prozesskontrolle abgestimmt und ermöglicht eine energieeffiziente Feature-Extraction und Signalverarbeitung direkt am Sensor.

Kaefer übernimmt Wood Group In­dus­tri­al Ser­vices

Mit der Über­nah­me des In­dus­trie­dienst­leis­tungs­ge­schäfts (Wood Group In­dus­tri­al Ser­vices) von der John Wood Group PLC, kann die Kaefer-Grup­pe ihre Markt­po­si­ti­on in Groß­bri­tan­ni­en und Ir­land stärken.

Knowledge Day in Blaubeuren

Auf dem Knowledge Day in Blaubeuren erhalten Teilnehmer unter anderem praxisorientierte Einblicke in die Themen Predictive Maintenance und MES.