Künstliche Intelligenz auf Werksebene

Betriebsstörungen in der Glaskugel vorhersehen

Produzierende Unternehmen könnten künftig die Analyse-Funktionen ihrer Fertigungssoftware etwa dazu nutzen, Ausschuss und Arbeitsplatzstörungen vorherzusagen, um dies mit den passenden Gegenmaßnahmen zu verhindern. Ein solches KI-getriebenes Predictive-Analytics-System wird gerade in einem praxisnahen Forschungsprojekt weiterentwickelt.
Bild: ©goodluz/stock.adobe.com

Transparenz ist der elementare Bestandteil einer effizienten Fertigungsumgebung. Sie durchleuchtet vergangene und aktuelle Abläufe, zeigt Potenziale auf und hilft Industriebetrieben dadurch bei der Optimierung ihrer Wertschöpfung. Mit der Digitalisierungswelle in die Fertigung steigen allerdings auch die Anforderungen an eine effiziente Verarbeitung der Datenmengen, die daraus gewonnen werden – viele davon idealerweise in Echtzeit. Diese Datenmengen in Kombination mit neuen Erkenntnissen rund um die Themen ‚künstliche Intelligenz‘ und ‚Machine Learning‘ erlauben zunehmend den viel zitierten Blick in die Glaskugel mit entsprechenden zuverlässigen Vorhersagen.

Data Analytics in der Produktion

Eine Funktionalität, die zeitgemäße MES-Lösungen schon lange bieten, bekommt im Zuge der oben erwähnten Digitalisierungswelle und der Etablierung des IIoT eine ganz neue Bedeutung: Predictive Maintenance, die vorausschauende Instandhaltung. Das IIoT liefert datentechnisch ein sehr genaues Bild des Ist-Zustandes. Algorithmen, Big-Data-Anwendungen und KI erkennen gewisse Muster in diesen Informationen. So kommt es zu Vorhersagen über zu erwartende Zustände und Trends. Laut Deloitte erzeugen Geschäftstätigkeiten also die Daten, „die durch Analyse wieder zu handlungsrelevanten Erkenntnissen, neuen Entscheidungen und vielleicht sogar zu neuen Geschäftstätigkeiten“ führen können.

Aussagekräftige MES-Daten

Der im Predictive-Analytics-Forschungsprojekt involvierte Universitätsprofessor Dr. Alfred Taudes, Wirtschaftsuniversität Wien, Department für Informationsverarbeitung und Prozessmanagement, Institut für Produktionsmanagement, kennt die Stärken von Predictive Analytics: „Mittels Predictive Analytics können Fertigungsunternehmen heute durch Sensoren generierten Datenmengen sinnvoll für eine bessere Planung einsetzen. Eine genauere Prognose des Ausschussanteils etwa führt zu verbesserter Kapazitätsauslastung, Termintreue und geringeren Lagerständen.“ Wie MES-Daten sinnvoll im Rahmen von Predictive Analytics eingesetzt werden können, beschreibt Taudes so: „Die in der Vergangenheit im MES erfolgten Aufzeichnungen zu Ausschuss, Maschinenausfall, Störungen und Produktqualität im jeweiligen Umfeld, etwa Maschine, Personal, Umwelt, Material, Auftrag und Zeit, geben unter Einsatz geeigneter Methoden Aufschluss über Konstellationen, in denen diese Probleme gehäuft auftreten. Diese Muster werden bei der Vorhersage der Qualitätsmetriken bei künftigen Planungen angewandt.“ Die meisten Daten seien also bereits vorhanden, so Taudes weiter, es fehle lediglich an einer passenden Analyse und bedienergerechten Integration in den Planungsprozess. Neben den Prozessdaten könnten beim Qualitätsmangement auch textuelle oder visuelle Informationen relevant sein. „Hier stehen wir erst am Anfang der Analyse, insbesondere die Integration heterogener Datenbestände ist ein aktives Forschungsgebiet.“

Ausschüsse und Arbeitsplatzstörungen

Thomas Krainz vom MES-Hersteller Industrie Informatik ergänzt: „Erfolgsentscheidend ist am Ende die Anpassung all dieser Technologien und Funktionen an die jeweilige Datensituation und vor allem die Erwartungshaltung der Kunden. Künstliche Intelligenz und Predictive Analytics sind keine Wunderheiler. Sie sind weder besser noch intelligenter in ihren Aufgaben als ein Mensch. Ihr Vorteil liegt in der Nachbildung von menschlichem Know-how – und das bei hoher Geschwindigkeit und außerdem rund um die Uhr. Daraus leiten sich viele Möglichkeiten ab.“ Konkret gemeint sind damit Prognosen zu relativen Ausschüssen und Arbeitsplatzstörungen in Folgeschichten sowie zu den verschiedenen Qualitätsstatus nach Fertigungsschritten. Alleine mit diesen Informationen könne man verborgene Einsparungspotenziale aufdecken und die Effizienz am Shopfloor massiv optimieren, so Krainz.

www.industrieinformatik.com

Predictive Analytics

Predictive Analytics verwendet historische Daten, um zukünftige Ereignisse vorherzusagen. Im Allgemeinen werden historische Daten verwendet, um ein mathematisches Modell zu erstellen, das wichtige Trends erfasst. Dieses prädiktive Modell wird dann auf aktuelle Daten angewendet, um vorherzusagen, was als Nächstes passieren wird, oder um Aktionen vorzuschlagen, mit denen optimale Ergebnisse erreicht werden können. Predictive Analytics hat in den letzten Jahren viel Aufmerksamkeit erhalten, da bei unterstützenden Technologien große Fortschritte zu verzeichnen waren, vor allem in den Bereichen von Big Data und Machine Learning. Predictive Analytics ist eine Teildisziplin und eines der Fundamente der Business Analytics in dem Bereich des Data Minings, der sich mit der Vorhersage zukünftiger Entwicklungen befasst. Vor allem in Bezug auf Big Data ist diese Methode inzwischen unerlässlich geworden, denn sie bietet eine probate Technik, um große Datenbestände zu analysieren und entsprechende Schlussfolgerungen zu ziehen.

Quelle: Wikipedia

Das könnte Sie auch Interessieren

Bild: Analog Devices GmbH
Bild: Analog Devices GmbH
Warum vorausschauende Wartung?

Warum vorausschauende Wartung?

Allein in Fabriken in den USA entstehen pro Jahr ungeplante Ausfallzeiten von 14 Millionen Stunden. Die Ursache dafür, Systemfehler, bescheren der Industrie Kosten in Milliardenhöhe. Um solche Szenarien zu verhindern,
nutzen Fabriken in der Regel einen teuren manuellen Ansatz: Experten sammeln Daten, um den Zustand der
Anlagen zu beurteilen. Auch kommen oft Sensorlösungen zum Einsatz, die jedoch nicht alle möglichen Ausfälle zuverlässig erkennen können. Mehr Potenzial versprechen Systemlösungen für die vorausschauende Wartung.

Bild: Roxon
Bild: Roxon
Online-Zustandsüberwachung für Gurtförderanlagen

Online-Zustandsüberwachung für Gurtförderanlagen

Schmersal stellt über seinen Systempartner Roxon eine vollautomatisierte Online-Zustandsüberwachung für Gurtförderanlagen vor: Der HX170 basiert auf einer optischen Zustandsüberwachung des Oberflächenprofils, wodurch alle möglichen Beschädigungen der Verbindungsstellen sowie Längsschlitze, Risse und Löcher an der Bandoberfläche erkannt werden sollen.

Bild: Fraunhofer-Institut IGD/©angkhan/stock.adobe.com
Bild: Fraunhofer-Institut IGD/©angkhan/stock.adobe.com
Risiken verringern: Fraunhofer-Software entwickelt FMEA weiter

Risiken verringern: Fraunhofer-Software entwickelt FMEA weiter

Ob autonomes Fahrzeug in der Intralogistik oder Werkzeugmaschine in der industriellen Fertigung: Fehler und Ausfälle einzelner Geräte und Komponenten sind nicht immer zu vermeiden. Deren Wahrscheinlichkeit einzuschätzen und den Aufbau technischer Systeme hinsichtlich ihrer Betriebs- und Prozesssicherheit zu verbessern, ist daher umso wichtiger. Mit proSvift entwickelten Forschende des Fraunhofer IGD ein neues Analysewerkzeug, das auf einer probabilistischen Fehlermöglichkeits- und Einflussanalyse (FMEA) basiert und intuitiv steuerbar ist. Anwender sollen so Produktionsausfälle, kritische Auswirkungen und Folgekosten reduzieren können.