AI Suite für MES Hydra und APS Fedra
KI ohne Projektierung
KI-Use Cases in der Smart Factory setzen meist individuelle Projektierungen voraus. Jetzt hat MES-Hersteller MPDV die AI Suite vorgestellt. Darin sind acht KI-Standardanwendungen für die Fertigungs-IT Hydra und Fedra enthalten, mit denen sich etwa Ausschuss reduzieren, Rüstzeiten optimieren oder die Produktqualität prognostizieren lassen.
Bild: MPDV Mikrolab GmbH / ©sofiko14/stock.adobe.comDaten in einer homogenen Form bereitzuhalten, gehört zu den Kernaufgaben der modernen Fertigungs-IT. Die Schlagworte lauten Integrationsplattform und semantisches Datenmodell. Sind also alle Daten in einer gemeinsamen Plattform semantisch abgelegt, kann sie KI-Software für die Modellbildung verwenden. Die Manufacturing Integration Platform (MIP) von MPDV ist eine Integrationsplattform, die als gemeinsame Datenbasis genutzt werden kann.
Einheitliche Semantik nötig
Eine Integrationsplattform hält Daten vor, die von unterschiedlichen Anwendungen genutzt und verarbeitet werden. Ob man nun die Nutzgrade einer Maschine analysiert oder vorhersagt, wie lange die Rüstzeit bei einem bestimmten Artikelwechsel sein wird, ist für die Plattform irrelevant. Die semantische Ablage der Daten stellt sicher, dass jede Anwendung die Daten versteht und für den jeweiligen Zweck nutzen kann. Damit ist der Weg frei für Standardanwendungen. Auch seitens der KI-Engine ist nicht relevant, wofür die gesammelten Daten genutzt werden. Das Prinzip ist immer gleich: Die Software analysiert historische Daten, erkennt Muster und ermittelt Einflussfaktoren. Anhand dieser Erkenntnisse kann die KI Zusammenhänge visualisieren. Alternativ kann die KI auf Basis der Erkenntnisse Vorhersagen treffen.
KI in der Smart Factory
Die Feinplanung von Aufträgen, Werkzeugen und Mitarbeitenden ist nur ein Beispiel, wie künstliche Intelligenz zur Effizienz und Wettbewerbsfähigkeit eines Produzenten beitragen kann. Durch KI-Unterstützung können Produktionskosten gesenkt, die Termintreue gesteigert und die vorhandenen Ressourcen bestmöglich eingesetzt werden. Wenn alle dafür benötigten Daten strukturiert und semantisch geordnet vorliegen, kann eine solche Planungsanwendung Szenarien aller Art planen. Dabei ist unerheblich, ob ein großer Kunststoffhersteller seine 800 Spritzgießmaschinen planen möchte oder ein kleiner Metallverarbeiter zehn Pressen, ein CNC-Bearbeitungszentrum und 20 Handarbeitsplätze. Gleiches gilt für die KI-basierte Analyse von Ausschuss oder Nutzgraden. Der KI-Algorithmus analysiert die historischen Daten, erkennt Einflussfaktoren und stellt diese in einer Form dar, dass der Benutzer mit seinem Domänenwissen zielführende Schlüsse daraus ziehen kann. Solange die zur Verfügung gestellten Daten alle nach dem gleichen Prinzip aufgebaut sind, kann die KI damit arbeiten und liefert Ergebnisse, die sich anschließend mit der gleichen 'Brille' wie die Eingangsdaten betrachten lassen.
Beispiel Predictive Quality
Predictive Quality basiert auf der Erfahrung, dass es auch dann zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle Prozessparameter innerhalb der Toleranzgrenzen bewegen. Grund dafür sind komplexe Zusammenhänge und Wechselwirkungen, die auf die eigentliche Fertigungstechnologie zurückzuführen sind. In der Praxis werden verschiedene Prozesswerte zusammen mit der Qualitätseinstufung als Basis dafür verwendet, zu entscheiden, mit welcher Wahrscheinlichkeit das aktuell produzierte Produkt ein Gutteil wird oder Ausschuss. Dafür braucht es eine repräsentative Sammlung von Daten. Also ein möglichst breites Feld an Prozessdaten, die sich mit dazu passenden Qualitätsdaten korrelieren lassen. Wichtig ist dabei, dass die erfassten Prozesswerte synchron mit den Qualitätseinstufungen sind. Neben der reinen Masse der erfassten Daten ist auch die Vielfältigkeit entscheidend für die Zuverlässigkeit der späteren Vorhersagen. Je mehr die einzelnen Prozesswerte sich innerhalb ihrer zulässigen Toleranzen verändern und je mehr Kombinationen unterschiedlicher Extremwerte erfasst werden, desto besser die errechneten Ergebnisse.
Entscheiden müssen Menschen
Aus der Gesamtheit dieser Daten entwickelt die künstliche Intelligenz ein Vorhersagemodell, das mit den aktuellen Prozessdaten gefüttert werden kann. Das Ergebnis ist dann einerseits eine Qualitätseinstufung und andererseits eine Wahrscheinlichkeit dafür, dass diese Einstufung richtig ist. Anschließend liegt es in der Verantwortung des Menschen, zu entscheiden, was mit den Ergebnissen gemacht wird. Man könnte zum Beispiel alle Teile, die mit mehr als 60 Prozent Wahrscheinlichkeit Ausschuss sind, sofort recyceln oder explizit prüfen und Teile die zu mehr als 90 Prozent die Einstufung 'Gutteil' bekommen, ungeprüft ausliefern. Je nach Branche und Wertigkeit der hergestellten Artikel könnten die Ergebnisse aus Predictive Quality aber auch ganz anders verwendet werden. Diese Entscheidung kann eine künstliche Intelligenz den Verantwortlichen nicht abnehmen - wohl aber die Analyse der Daten und die Vorhersage von Ergebnissen. Mit Blick auf die bekannte Software Excel ließe sich vergleichen: Das Programm liefert uns Tabellen und bunte Diagramme - unabhängig vom Thema. Was auf Basis dieser Daten geschieht, ist nicht Aufgabe von Excel. Dafür ist es Excel gleichgültig, welche Art von Daten damit analysiert und visualisiert werden - es ist eine Standardanwendung. Gleiches gilt für KI-basierte Standardanwendungen.
Acht Module für den Fertigungsalltag
Ob und wie KI in der Smart Factory eingesetzt werden sollte, muss natürlich jedes Fertigungsunternehmen selbst eruieren und diskutieren. Doch die AI Suite von MPDV könnte Denkanstöße dazu liefern. Zum Paket gehören aktuell acht Standardanwendungen, von denen jede einen eigenständigen Nutzen erbringen soll. Die Module sind:
AI Planning - Plant etwa Aufträge, Werkzeuge und andere Ressourcen optimiert nach Zielvorgaben automatisch ein, unterstützt Reinforced Learning.
AI Workforce Planning - Verfügbare Personalkapazitäten anhand ihrer Qualifikationen planen.
AI-based Production Time Prediction - Realistische Vorgabewerte ermitteln und damit Planungsergebnisse verbessern. Arbeitet mit Unsupervised Machine Learning und Mustererkennung.
AI-based Scrap Analysis - Zusammenhänge, die zu Ausschuss führen, KI-gestützt erkennen und verstehen.
AI-based Capacity Utilization Analysis - Schwankende Nutzgrade einzelner Maschinen verstehen.
AI-based Setup Rate Analysis - Einflussfaktoren auf den Rüstgrad einzelner Maschinen ermitteln.
AI-based Resource Performance Account Analysis - Betriebsmittelkonten gezielt analysieren.
Predictive Quality - Qualität von Produkten vorhersagen.
Alle diese Anwendungen nutzen Daten aus der Manufacturing Integration Platform (MIP) und können daher ohne großen Zusatzaufwand eingesetzt werden. n ist Principal Marketing bei MPDV.
KI-Use Cases in der Smart Factory setzen meist individuelle Projektierungen voraus. Jetzt hat MES-Hersteller MPDV die AI Suite vorgestellt. Darin sind acht KI-Standardanwendungen für die Fertigungs-IT Hydra und Fedra enthalten, mit denen sich etwa Ausschuss reduzieren, Rüstzeiten optimieren oder die Produktqualität prognostizieren lassen.
Bild: MPDV Mikrolab GmbH / ©sofiko14/stock.adobe.comDaten in einer homogenen Form bereitzuhalten, gehört zu den Kernaufgaben der modernen Fertigungs-IT. Die Schlagworte lauten Integrationsplattform und semantisches Datenmodell. Sind also alle Daten in einer gemeinsamen Plattform semantisch abgelegt, kann sie KI-Software für die Modellbildung verwenden. Die Manufacturing Integration Platform (MIP) von MPDV ist eine Integrationsplattform, die als gemeinsame Datenbasis genutzt werden kann.
Einheitliche Semantik nötig
Eine Integrationsplattform hält Daten vor, die von unterschiedlichen Anwendungen genutzt und verarbeitet werden. Ob man nun die Nutzgrade einer Maschine analysiert oder vorhersagt, wie lange die Rüstzeit bei einem bestimmten Artikelwechsel sein wird, ist für die Plattform irrelevant. Die semantische Ablage der Daten stellt sicher, dass jede Anwendung die Daten versteht und für den jeweiligen Zweck nutzen kann. Damit ist der Weg frei für Standardanwendungen. Auch seitens der KI-Engine ist nicht relevant, wofür die gesammelten Daten genutzt werden. Das Prinzip ist immer gleich: Die Software analysiert historische Daten, erkennt Muster und ermittelt Einflussfaktoren. Anhand dieser Erkenntnisse kann die KI Zusammenhänge visualisieren. Alternativ kann die KI auf Basis der Erkenntnisse Vorhersagen treffen.
MPDV Mikrolab GmbH
Dieser Artikel erschien in IT&Production 8 (Oktober) 2023 - 06.10.23.Für weitere Artikel besuchen Sie www.it-production.com
