Aufrufe
vor 4 Monaten

Der Betriebsleiter 6/2020

  • Text
  • Jubi
  • Sammelmappe
  • Anwender
  • Fertigung
  • Digitalisierung
  • Zeit
  • Einsatz
  • Kompressoren
  • Mitarbeiter
  • Produktion
  • Betriebsleiter
  • Unternehmen
Der Betriebsleiter 6/2020

DATENMANAGEMENT 4.0 I

DATENMANAGEMENT 4.0 I SPECIAL Wenn KI auf Fertigungs-IT trifft Neue Methoden für den effizienten Umgang mit Massendaten Grundsätzlich hat sich an der Aufgabenstellung an die Fertigungs-IT wenig geändert: Sie soll immer noch den Fertigungsbetrieb unterstützen und Optimierungen ermöglichen. Was neu ist, ist die Komplexität. Losgrößen sind wesentlich kleiner, was die Variantenvielfalt enorm steigert. In Folge dessen wächst die Datenflut, mit der sowohl Software als auch Menschen arbeiten müssen. Für einen effizienten Umgang mit diesen Massendaten braucht es neue Methoden. Künstliche Intelligenz (KI) schafft hier Abhilfe. Die Methoden der KI sind vielseitig und können in nahezu jedem Anwendungsfeld der Fertigungs-IT zum Einsatz kommen. Die folgenden Beispiele sollen zeigen, welche Potenziale in den jeweiligen Anwendungen stecken, wenn man sie mit KI anreichert. Predictive Quality Mit Predictive Quality hat MPDV bereits ein konkretes Produktbeispiel umgesetzt: Grundannahme für die Vorhersage der Qualität ist, dass es auch 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 eigentliche Fertigungstechnologie zurückzuführen sind. 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 unter Angabe der Eintrittswahrscheinlichkeit. Mitarbeiter können so frühzeitig entscheiden, ob es sich lohnt, weiter in ein Teil zu investieren oder ob sie es direkt wieder einschmelzen. Predictive Quality basiert auf der Ausführung eines Modells, das beispielsweise mittels Machine Learning erstellt wurde und erfasste Prozessdaten in Echtzeit verarbeitet. Rüstzeitvorhersage Im Rahmen der Fertigungsplanung wird auf eine Reihe von Vorgabewerten zurückgegriffen, um eine Grundlage für die zu berücksichtigende Bearbeitungsdauer eines Vorgangs und für die Übergangszeiten zwischen zwei Vorgängen eines Auftrags zu haben. Die Rüstzeit ist eine dieser Vorgaben, die bisher meist manuell mit der Stoppuhr gemäß REFA ermittelt werden. Um der wachsenden Zahl der möglichen Kombinationen aus Werkzeugen, Material, Personal und sonstigen Einflussfaktoren gerecht zu werden, kann KI die Rüstzeitvorhersage unterstützen. Dazu wird auf Basis historischer Daten aus einem MES ein Modell erstellt, das alle Faktoren berücksichtigt. Im Rahmen der Modellerstellung können die verwendeten historischen Daten auch auf ihre Eigenschaft als Einflussfaktor untersucht werden. Der eigentliche Clou besteht jedoch in der Verwendung des erzeugten Modells und somit in der Vorhersage der Rüstzeit. Wird z. B. ein Arbeitsgang auf einer Maschine zu einem bestimmten Zeitpunkt mit einem bestimmten Werkzeug eingeplant, werden diese Big Data verlangt selbstlernende Systeme Auf lange Sicht wird die KI-basierte IT die klassische IT ablösen. Der steigende Detaillierungsgrad und die riesigen Datenmengen lassen sich nicht mehr mit herkömmlichen Verfahren abbilden. Es werden selbstlernende Systeme gebraucht, um die Massen an Daten, die es in der Fertigung gibt, zu beherrschen und die richtigen Schlüsse zu ziehen. 28 Der Betriebsleiter 06/2020 www.derbetriebsleiter.de

Predictive Quality sagt auf Basis von Prozesswerten und künstlicher Intelligenz die Qualität vorher und gegebenenfalls weitere Daten verwendet, um auf Basis des zuvor erstellten Modells die wahrscheinliche Rüstzeit vorherzusagen. Auch für neue Kombinationen können Rüstzeiten auf Basis von Ähnlichkeitserwägungen abgeschätzt werden. Was die Rüstzeitvorhersage im Vergleich zu der herkömmlichen Methode leisten kann, wurde auf Basis mehrerer realer Produktionsszenarien untersucht. Es zeigt sich, dass die KI-basierte Vorhersage den herkömmlichen Vorgabemechanismen deutlich überlegen ist. So entfallen unnötige Pufferzeiten. Erste Analysen zeigen, dass durch den Einsatz von KI-Systemen rund 20 % neue Kapazitäten in der Produktion frei werden. Für viele Unternehmen würde allein die Benennung der tatsächlichen Einflussfaktoren auf Basis historischer Daten schon einen Mehrwert darstellen. Denn meist fehlen Informationen darüber, wie relevant ein Einflussfaktor für die zu erwartende Rüstzeit ist. Zum Beispiel könnte die Tageszeit weniger relevant sein – das Rüsten dauert also in der Früh- genauso lang wie in der Nachtschicht. Andererseits könnte das verwendete Material sich signifikant auswirken – z. B. dauert das Rüsten mit dem Material von Lieferant A deutlich länger als mit dem Material von Lieferant B. Die Analyse der Einflussfaktoren auf ihre Relevanz hin ist quasi ein nützliches Nebenprodukt bei der Modellerstellung für die Rüstzeitvorhersage. Ganzheitliche Fertigungsplanung Auch bei der eigentlichen Fertigungsplanung können heute dank leistungsfähiger Rechner signifikant größere Datenmengen als früher verarbeitet und immer bessere Algorithmen entwickelt werden. Im Vergleich zum bisher heuristischen Vorgehen bei der automatischen Fertigungsplanung kann mit KI ein entscheidender Schritt in Richtung optimale Fertigungsplanung gemacht werden. Im Gegensatz zum schrittweisen Vorgehen der Heuristik, werden mittels Reinforcement Learning zahlreiche Entscheidungsmöglichkeiten geprüft, bevor eine endgültige Planungsentscheidung getroffen wird. Reinforcement Learning, was als verstärkendes Lernen übersetzt werden kann, bewertet die getroffenen Entscheidungen, hinterfragt diese und lernt daraus. Dabei hinterfragt der Algorithmus getroffene Entscheidungen und prüft nicht automatisch alle Möglichkeiten, sondern nur die mit den besten Ergebnissen. Mit jeder Entscheidung sammelt das System neue Informationen über die vorhandenen Daten, was Schritt für Schritt die Qualität der Planungsentscheidung weiter verbessert. Dieses Vorgehen einer intelligenten Fertigungsplanung bringt enorme Vorteile mit sich. Alle ausschlaggebenden Faktoren wie Aufträge, Arbeitsplätze, Transportwege, Rüstzeiten, begrenzte Ressourcen sowie Personalverfügbarkeiten berücksichtigt das System bereits bei der Entscheidungsfindung. So lassen sich Rüstzeiten minimieren, Durchlaufzeiten verkürzen, die Termintreue erhöhen, Personalkosten minimieren oder eine Materialverfügbarkeitsprüfung durchführen. Königsdisziplin: Automated Data Science Insbesondere bei der Modellbildung macht sich die Leistungsfähigkeit des verwendeten KI-Systems bemerkbar. Leistungsfähige KI-Systeme zeichnen sich dadurch aus, dass sie für die Modellbildung verwendete historische Daten selbständig aufbereiten können. Hierzu zählt im Rahmen der Vorbereitung auf die eigentliche Modellerstellung neben der Datensynchronisation auch die unüberwachte Anomalie-Erkennung, also das automatisierte Erkennen von Ausreißern und deren Bereinigung. Dieses Vorgehensmodell, das den herkömmlichen, größtenteils manuellen CRISP-DM-Ansatz automatisiert, wird auch als Automated Data Science bezeichnet. Kombiniert man darüber hinaus das methodische Know-how eines KI-Spezialisten wie PerfectPattern mit der Praxisnähe eines MES- Anbieters wie MPDV, können schnell einsetzbare Standardprodukte und flexible Lösungen entstehen. Deren Hauptvorteil besteht darin, dass die zur Verfügung stehenden Daten nicht erst aufwendig vorbereitet werden müssen. Damit sind Kosteneinsparungen bis zu 80 % gegenüber dem üblichen Vorgehen gemäß CRISP-DM möglich. Grund dafür ist, dass die zur Verfügung stehenden Daten nicht erst aufwendig und manuell vorbereitet werden müssen. Fazit und Ausblick Die Nutzung von KI in der Fertigung ist ein grundlegender Schritt in die Zukunft und kann Unternehmen den entscheidenden Wettbewerbsvorteil bieten. Mit Hilfe von MES kann dieser enorme Vorteil genutzt werden und dabei helfen, das Ziel von Industrie 4.0 und der Smart Factory zu erreichen. Nichtsdestotrotz kommt es in erster Linie auf die Anwendung an und erst dann auf die genutzte Technologie. Bilder: MPDV/Adobe Stock www.mpdv.com www.derbetriebsleiter.de Der Betriebsleiter 06/2020 29

Der Betriebsleiter 7-8

© 2018 by Vereinigte Fachverlage GmbH. Alle Rechte vorbehalten.