Machine Learning in der Fertigungs-IT

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.

Machine Learning in der Fertigungs-IT

Manufacturing Analytics und KI

Bild: ©nd3000/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.

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.

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.

MPDV Mikrolab GmbH
www.mpdv.com

News

Fachbeiträge

Weitere Fachbeiträge

Die Demokratisierung von maschinellem Lernen in der Industrie

Seit mehreren Jahren dringt die Digitalisierung immer weiter in die industrielle Produktion vor. Die Verheißungen, durch Datenerhebung und -analyse die eigene Effizienz und Produktivität zu steigern sowie neue datenbasierte Geschäftsmodelle zu entwickeln, klingen vielversprechend in einem Zeitalter, in dem die meisten Unternehmen auf der Suche nach neuen Wachstumsmöglichkeiten sind. Ein Bereich, dem ein enormes Potenzial zugeschrieben wird, ist künstliche Intelligenz bzw. Machine Learning. Ein Kommentar von Tobias Gaukstern, Leiter der Business Unit Industrial Analytics bei Weidmüller.

Entwicklungsprognose

Entwicklungsprognose Trends für die Fabrik der Zukunft Wohin entwickeln sich die Fabriken in den nächsten Jahren? Philipp Wallner von MathWorks wagt die Prognose, das fünf Faktoren darunter sein werden, die individuelles Fertigen und Ressourceneffizienz in Einklang...

Künstliche Intelligenz für Gebäude

Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie der kommenden Jahre für die Bereiche Autonomes Fahren, Industrie 4.0 und Medizintechnik. Auch im Gebäudemanagement setzt man längst auf automatisierte Lösungen. Bei neuen Bauvorhaben wünschen sich Betreiber immer häufiger smarte Technologien. Gebäude werden mit einer Vielzahl an Sensoren ausgestattet: von IP-Kameras über Feuer- und Rauchmelder, Thermostatregler und weiteren Überwachungssystemen für Heiz-, Lüftungs- und Klimatechnik bis hin zu biometrischen Lesegeräten für die Zutrittskontrolle. All diese IP-Geräte werden mit jeder Entwicklungsstufe immer intelligenter. Werden sie alle mittels Software vernetzt, entsteht ein intelligentes Gebäude.

Cyber-Bedrohungen 2020

Fortgeschrittene KI und intelligente Bedrohungs-Desinformation Cyber-Bedrohungen 2020 Der Cybersecurity-Anbieter Fortinet hat die Prognosen von FortiGuard Labs zur Bedrohungslandschaft für 2020 veröffentlicht. Die Analysten von Fortinet zeigen darin Methoden, die...

Lernende Objekterkennung in Echtzeit

Heutige Inspektionsssteme sind auf wenige, sehr akkurat justierte Objekttypen herstellerseitig justiert. Kommen neue Produkttypen hinzu, müssen die Systeme zeitaufwendig neu justiert werden. Die KI-Inspektionsplatform von Gestalt Robotics beseitigt diese Hürden.

Maschinenlernen eingebettet

Bisher wird der gewünschte Zusammenhang zwischen den jeweiligen Eingangs- und Ausgangsdaten einer Automatisierungsbaugruppe mittels wissensbasierter Regeln in einer Hoch- oder SPS-Programmiersprache kodiert und auf einem eingebetteten System ausgeführt. In Zukunft lassen sich Embedded Systeme in der Automatisierung auch per Supervised Machine Learning für eine bestimmte Aufgabenstellung trainieren.

Zwischen Regelwerk und Selbstlernen

Nach einer Studie von Gartner soll bis 2022 der Geschäftswert von KI auf 2,85 Billionen Euro steigen. Der Löwenanteil davon wird voraussichtlich auf den Bereich der Kundenerfahrung entfallen, für das schon ausgereifte Tools am Markt existieren. Dieser Überblick zeigt, wie es heute um KI im Field Service Management steht und wohin die Reise geht.

Psychometrie im Vertrieb

Psychometrie im Vertrieb Souffleuse für das Verkaufsgespräch Ein neuer Trend in der Marketing-Kommunikation ist die KI-gestützte Stimmungsanalyse der Gesprächspartner: Sentimentanalysen in Verbindung mit Spracherkennung wie bei Amazons Alexa, IBM Watson, oder Google...

Direkte Roboteransteuerung

Direkte Roboteransteuerung Mit dem Ziel der direkten Roboteransprache über die neue Steuerung SmoothAi haben Mazak und namhafte Roboterhersteller ihre Zusammenarbeit intensiviert. Den Kern der SmoothAi machen drei wesentliche Eigenschaften aus: das so genannte Machine...

News

→ MEHR