Intelligente Prozessanalyse durch Künstliche Intelligenz und Cyber Physische Systeme – AI-Nalyze

Transparenz und Kosteneinsparung in der Produktion

© industrieblick - Fotolia

In der Industrie werden zahlreiche Prozesse manuell erfasst: Verantwortliche beobachten das Verhalten der Mitarbeiter, nehmen Zeiten von Prozessschritten auf, identifizieren die Schwachstellen eines Prozesses und entwerfen manuell Lösungen zur Prozessverbesserung. Maßnahmen werden oft händisch identifiziert und mittels Erfahrung bewertet.

Gleichzeitig werden im Bereich Industrie 4.0 immer mehr Daten – Fehlermeldungen, Kennzahlen oder Chargeninformationen von Teilen – erhoben und gespeichert. Meist sind diese Informationen allerdings isoliert voneinander in Datensilos, was für eine Einzellösung in der digitalisierten Produktion  ausreichend ist. Die Ableitung von Prozessmodellen und Performancekennzahlen benötigt allerdings ein ganzheitlicheres Abbild der vorhanden Informationen um daraus prädiktive Maßnahmen definieren zu können.

Datenintegration schafft Mehrwerte

Ziel ist es, Prozesse so transparent darzustellen, dass eine automatische Aufnahme und Analyse von Prozessmodellen durch den Einsatz von cyber-physischen (CPS) bzw. Internet of Things (IoT) -Systemen und Künstlicher Intelligenz möglich ist. Prozessschritte werden in Echtzeit beschrieben und Ereignisse abgeleitet. Dies geschieht durch existierende Daten der automatisierten Produktion und neuer Datenquellen, sowie der Kombination von identifizierten und digital erhobenen Kennzahlen. Ereignisinformationen sind dabei beispielsweise der Zustand von Teilen, Baugruppen oder Produkten. Mittels einer Middleware werden die Ereignisse semantisch beschrieben, in einen Kontext gebracht, in einer Datenplattform persistiert und schließlich mittels erklärbarer KI in einer Auswertungssoftware analysiert, sodass abschließend Maßnahmen zur Steuerung des Prozesses in Echtzeit abgeleitet werden können.

Auf Basis derartig strukturierter und verketteter abgelegter Daten aus den Produktions- und Prüfmaschinen werden Systeme entwickelt, die vorausschauend beispielsweise Qualitätsvorfälle, sich verändernde Prozessparameter oder Wartungsbedarfe von Maschinen erkennen. Dazu werden Methoden aus der Statistik wie Korrelationsanalysen sowie Ansätze der Künstlichen Intelligenz angewandt.

Dies ermöglicht es, Konfigurationsbedarf von Internet of Things fähigen Geräten oder Eingriffe in den Prozessen frühzeitig Mitarbeitern mitzuteilen, sodass die untersuchten Prozesse optimal laufen.

Einsatz in der Praxis

Beim Anwendungspartner Siemens wurden folgende Use Cases an den Standorten Amberg und Cham analysiert und umgesetzt:

  • Reduzierung des Instandhaltungsaufwands von Produktionsanlagen (Predictive Maintenance)
  • Vermeidung von Nacharbeiten bei der Justage von Leistungsschaltern
  • Beschleunigung von Anlagenhochläufen

Dazu hat Fraunhofer IIS Anknüpfungspunkte zu vorhandenen Daten untersucht und recherchiert. Aufgedeckte Schwachstellen der bestehenden Anlagen wurden durch zusätzliche CPS-Komponenten abgesichert, wodurch die Datengrundlage so verbessert wird, so dass der Einsatz von KI einen signifikanten Mehrwert für die Use Cases bieten kann. Infolgedessen wird beispielsweise mit geringen Hardwarekosten für Sensoren ein Vibrationsdatenprofil aufgezeichnet, aus dem der tatsächliche Zustand von Produktionsmodulen abgeleitet werden kann. Die zeitgenauen Zustandsinformationen werden anschließend mit Informationen aus weiteren Datenquellen wie z.B. der Produktionssteuerung oder den Instandhaltungsdaten verknüpft werden. Auf der Basis dieser Datenintegration werden Zusammenhänge erforscht, die später zur Optimierung der Anlage genutzt werden sollen.

 

 

 

Das könnte Sie auch interessieren

 

Forschungsfeld

Datenräume in Produktion und Logistik

Das Datenchaos ist beherrschbar – mit Hilfe von Datenräumen, in denen unterschiedlichste Daten aus heterogenen Quellen semantisch beschrieben, verarbeitet und verknüpft werden.

 

Forschungsfeld

IoT-Anwendungen in Produktion und Logistik

Um eine vollständige Automatisierung und Individualisierung zu ermöglichen, müssen die richtigen Technologien kombiniert und passende Prototypen schnell entwickelt werden.

 

Plattform für vertrauenswürdige Elektronik

Das Verbundprojekt »Velektronik« des Fraunhofer-Verbundes für Mikroelektronik mit zahlreichen Projektpartner verfolgt das Ziel die Souveränität deutscher Industrie und des öffentlichen Sektors über vertrauenswürdige Elektronik einen deutlichen Schritt zu verbessern. Dazu erarbeitet Fraunhofer IIS eine Plattform für vertrauenswürdige Elektronik auf Basis von Wissensgraphen.  

 

Wissensgraphen im Kontext Industrie 4.0

Im Rahmen der Digitalisierung der industriellen Produktion bieten Wissensgraphen einen neuen Ansatz, um Wissensrepräsentation und Datenintegration miteinander zu kombinieren. Im Projekt »Vernetzte industrielle Schaltschrankplanung, -Bau und -Service 4.0 – ISW4WBS« wurden daher Wissensgraphen bei der automatisierten Produktion von Schaltschränken erprobt, um Ausfälle und Verzögerungen zu vermeiden.

 

Semantische Modellierung von Daten und Workflows in Produktion und Logistik

Das Projekt Semantic Web Lab untersucht wie sich Daten und Workflows im Produktions- und Logistikumfeld modellieren und repräsentieren lassen, sodass diese zum einen maschinell gelesen und interpretiert werden können und zum anderen in ähnlichen Anwendungsszenarien wiederverwendet und bei Bedarf adaptiert werden können.