Die folgenden praktischen Anwendungen zeigen Beispielhaft einen Ausschnitt aus der möglichen Bandbreite
an cloudbasierten Applikationen. Für ein praktisches Verständnis und einen ersten Einblick in die Kimetis-Cloud
können Sie sich unter "sign-up" einen Test-Account erstellen.
Immer dann, wenn ein Prozess nicht mit wenigen Sätzen (oder wenigen grafischen Symbolen, z. B. in einem BPM-Netzwerk)
beschrieben werden kann, sollte ein KI-Ansatz in Erwägung gezogen werden. Weitere deutliche Hinweise sind Aussagen
wie „Das entscheidet dann ein Mitarbeiter aus seiner Erfahrung.“ oder „Die Nachtschicht produziert deutlich mehr
Non-Good-Artikel als die Frühschicht.“
Wir unterscheiden bei KI im Wesentlichen zwei Anwendungsszenarien:
- Den gekapselten (embedded) Einsatz von KI-Algorithmen in Maschinensteuerungen und besonders in smarten Sensoren
zur Klassifizierung eines Artikels oder einer Verpackung. Beispiel sind ein Bilderkennungssystem zur differenzierten
Bestimmung der Produktqualität oder die bildgestützte Überwachung der Etikettierung.
- Einen Einsatz im Bereich „Data Mining“, z. B. für die Prognose von Bestellmengen. Hierfür ist die Bereitstellung
eines umfassenden Sets an historischen Produktionsdaten erforderlich, um das neuronale Netz entsprechend trainieren
zu können. Ein weiterer typischer Anwendungsfall ist ein digitaler Assistent, der dem Linienbediener Vorschläge für
eine optimierte Einstellung von Maschinenparametern bereitstellt.
Viele in der Food Industrie eingesetzte Rohstoffe sind Naturprodukte. Bei der Verarbeitung kommt es zu
Qualitätsabweichungen. Diese müssen durch eine Anpassung von Parametern der Produktionsmaschinen oder der Rezeptur
ausgeglichen werden.
Quality Check Points, die abschließend die Gesamtqualität des verkaufsfertigen Produktes bewerten, sind in der Regel
erst am Ende der Produktionslinie installiert. Eine Durchlaufzeit von mehreren Minuten durch die Linie erschwert
aufgrund der Totzeit den Einsatz von klassischen Methoden der Regelungstechnik.
Hier kann Künstliche Intelligenz (KI) seine Vorteile voll ausspielen. Auf Basis der immensen Rechenleistung in der Cloud
können komplexe Algorithmen aus dem vorhandenen Datenschatz vergangener Produktionsabläufe (Big Data) „lernen“.
Kommt es an einer beliebigen Stelle im Prozess zu einer Abweichung, kann die KI damit optimal umgehen. „Optimal“ bedeutet
in diesem Zusammenhang, dass Gütekriterien des Herstellers für den Prozess möglichst erfüllt werden.
Die eingesetzten Kundendaten beschränken sich auf Signale von Sensoren und Aktoren, so dass Betriebsgeheimnisse nicht
in die Cloud ausgelagert werden.
Das Ziel von KI ist es, den Erfahrungsschatz eines erfahrenen Linienbedieners mit einem Neuronalen Netz nachzubilden.
In der Folge trifft die KI ähnlich gute oder sogar bessere Entscheidungen bei der Nachführung von Maschinenparametern
oder der Anpassung von Rezeptkomponenten zur Laufzeit der Produktion.
In dem praktischen Anwendungsbeispiel wird ein Produkt nach einem Frittierprozess in Bräunungsgrade klassifiziert.
Dies erfolgt im laufenden Prozess unter Einsatz einer Industriekamera, wobei jedes einzelne Produkt klassifiziert wird.
Es handelt sich somit um einen Quality Check Point (QCP), dessen Ergebnisse als Regelgröße für den vorgelagerten
Prozess eingesetzt werden können. Bitte melden Sie sich im Test-Account an, um das Zusammenspiel aus intelligentem
Sensor und Datenverarbeitung in der Cloud beispielhaft anzusehen.
Die Qualitätsbestimmung von Bauteilen, die höchsten Genauigkeitsanforderungen im µm-Bereich unterliegen, ist in der
Regel nicht einfach. Die Nachvermessung ist zeitaufwändig und erfordert den Einsatz von Präzisionsmessgeräten.
Deshalb wird meistens nur eine kleine Untermenge der Werkstücke nach dem Fräsen überprüft und das oft erst nach
Fertigstellung der gesamten Charge.
Schon bei der Herstellung von Mustern gibt die KI Hinweise auf qualitätsrelevante Prozessoptimierungen im
CNC-Fertigungsprogramm.
KI ermöglicht darüber hinaus eine produktionsbegleitende Online-Überwachung der zahlreichen maßgeblichen Parameter
bereits während der Bearbeitung des Werkstückes. Bei Abweichungen, die aus der Erfahrung der KI auf zukünftige
Qualitätsabweichungen schließen lassen, wird der Operator entsprechend informiert. Und das sogar mit Hinweisen auf
das zu erwartende Fehlerbild und die zu Grunde liegende Ursache.
Das Ziel der KI ist es also nicht nur, Ausschuss zu erkennen und die Auslieferung zum Kunden zu verhindern, sondern
schon im Vorfeld („Just-In-Time“) rechtzeitig bei Qualitätsproblemen zu alarmieren und somit Ausschuss erst gar nicht
entstehen zu lassen. Die neue „berechenbare Qualität“ spart Material und Maschinenlaufzeiten und erhöht die
Liefertermintreue.
Jedem Werkstück wird zudem eine Tracking-Number zugeordnet, die auf ein individuelles Qualitätsprotokoll verweist,
das als Nachweis für den Endkunden oder als Audit-Dokument herangezogen werden kann.
Zeiten für die Qualitätsprüfung mit traditionellen Präzisionsmessgeräten können reduziert und Kosten für Prüfmaschinen
eingespart werden.
