Samstag, 29. Juni 2019
dataprophet - Künftige Herausforderungen der Fertigung
bodohann, 16:07h
Welche Wege schlägt die Industrie 4.0 als nächstes ein? Frans Cronje, Geschäftsführer von DataProphet, ist der Ansicht, dass Künstliche Intelligenz der nächste bedeutende Schritt für Hersteller sein wird und dieser bereits unmittelbar bevorsteht.
Aus dem Schlagwort «Industrie 4.0» ist inzwischen ein Industriestandard geworden. Wenn man nicht einmal darüber nachdenkt, wie man seine Daten zur Optimierung der Produktionsverfahren nutzen kann, riskiert man es, auf der Strecke zu bleiben.
Die Umsetzung von Industrie 4.0 in einer Anlage oder Fabrik ist jedoch längst nicht das Ende der Fahnenstange oder gar eine einfache Rechenaufgabe. Vielmehr ist es eine sich immer weiter entwickelnde Philosophie, in die fortwährend innovative Ideen integriert werden und die ständig unerwartete Wendungen nehmen wird.
Was also wird als nächstes passieren? Zunächst einmal müssen wir eine Bestandsaufnahme machen. Jedes Unternehmen befindet sich in einer anderen Phase. Jedoch haben alle Firmen, die auf Industrie 4.0 umstellen, etwas gemeinsam: Sie alle versuchen die Daten ihrer Fertigungslinien zu sichten, zu sortieren, zu löschen, einzustufen und vor allem auch zu analysieren.
In einer Prozesssteuerungsumgebung wird eine riesige Datenmenge generiert. Diese ist so umfangreich, dass sie nicht von einer Person allein interpretiert werden kann. Daher besteht die Gefahr, dass die Bediener von der Informationsflut überwältigt werden und wichtige Möglichkeiten der Prozess- und Qualitätsoptimierung ungenutzt bleiben.
Die Antwort lautet, menschliche Expertise durch Künstliche Intelligenz (KI) zu erhöhen - nicht nur zu Analysezwecken, sondern um Maßnahmen vorherzusagen und einzuleiten. Eine korrekte Vorhersage der nächsten Schritte in einer bestimmten Situation und die Ergreifung präventiver Korrekturmaßnahmen erweist sich als überaus nützlich, wenn dies auf kostengünstige Weise, im angemessenen Umfang und früh genug erfolgen kann, um Ergebnisse sinnvoll zu verändern, beispielsweise um Ausschuss zu vermeiden. Kurz gesagt besteht das Ziel Künstlicher Intelligenz darin, große Datenmengen so zu nutzen, dass die Kosten von Qualitätsmängeln drastisch gesenkt werden, indem den Bedienern optimale Parametereinstellungen vorgegeben werden.
Wenn künftige Ereignisse in vollem Umfang vorhergesagt werden können und dies zum Standard wird, können wir dadurch sämtliche Disziplinen revolutionieren. Die offensichtlichsten Beispiele für diese Revolution sind Google, Facebook und Amazon. Dort wurde die Anwendbarkeit und Effizienz von Plattformen und Massenwerbung durch KI radikal verbessert.
Beispielsweise werden riesige Mengen von scheinbar zusammenhangslosen Online-Verhaltensdaten, die von Milliarden von Google- und Facebook-Nutzern generiert werden, mithilfe von KI gesichtet. Durch den Einsatz von KI können dann in Echtzeit die besten Antworten auf Suchabfragen oder die nützlichsten Werbeanzeigen ausgewählt werden, die den einzelnen Benutzern angezeigt werden sollen.
Warum sollte dieser Prozess also nicht auch für Produktionsdaten geeignet sein? Ob in der Automobilbranche, im Bergbau oder in anderen Schwerindustriezweigen - zu Fertigungslinien aus der realen Arbeitswelt gehören immer mehrere Prozessabläufe. Manche laufen parallel, andere sequenziell, aber alle beeinflussen sich gegenseitig und erfordern eine bestimmte Kombination aus Produktionsvariablen, damit die optimale Effizienz und der geringste Verlust gewährleistet sind.
KI-Lösungen wie OMNI von DataProphet™ werden in komplexen Produktionsumgebungen wie Gießereien, Mineralaufbereitungswerken, Langstahlwalzwerken und bei der Automobilherstellung sowie in Montageanlagen eingesetzt. Dort werden aus verschiedenen Quellen Verlaufsdaten zu Produktion und Qualität gesammelt und in einer übersichtlichen Ansicht dargestellt. Anschließend können die Daten in Echtzeit mit KI-Algorithmen verarbeitet werden, um potenziellen Qualitätsproblemen bei nachgelagerten Prozessen vorzugreifen. Darüber hinaus können proaktiv Korrekturmaßnahmen zur Vermeidung von Qualitätsabweichungen vorgegeben werden.
Und das ist längst keine Theorie mehr. Inzwischen ist es möglich, mithilfe
fortschrittlich überwachter oder unbeaufsichtigten maschinellen Lernmethoden, digitale Kopien von Anlagen zu erstellen, um die optimale Betriebsweise von komplexen mehrstufigen industriellen Prozessen zu ermitteln.
Bei herkömmlichen statistischen Methoden stellen die Menge, die Rate und die Diversität der Daten in umfangreichen Herstellungsprozessen ein Problem dar. Wo unbeabsichtigte Konsequenzen, die oft in großen, komplexen Fertigungslinien auftreten, durch statistische Prozesssteuerungen nicht bewältigt werden können, bieten KI-Algorithmen die Möglichkeit, Kaskadeneffekte zu analysieren und erfolgreich Vorhersagen zu treffen. Es werden Betriebsparameter vorgeschlagen, um unbeabsichtigte Konsequenzen zu verhindern und die Qualität zu optimieren.
Aus dem Schlagwort «Industrie 4.0» ist inzwischen ein Industriestandard geworden. Wenn man nicht einmal darüber nachdenkt, wie man seine Daten zur Optimierung der Produktionsverfahren nutzen kann, riskiert man es, auf der Strecke zu bleiben.
Die Umsetzung von Industrie 4.0 in einer Anlage oder Fabrik ist jedoch längst nicht das Ende der Fahnenstange oder gar eine einfache Rechenaufgabe. Vielmehr ist es eine sich immer weiter entwickelnde Philosophie, in die fortwährend innovative Ideen integriert werden und die ständig unerwartete Wendungen nehmen wird.
Was also wird als nächstes passieren? Zunächst einmal müssen wir eine Bestandsaufnahme machen. Jedes Unternehmen befindet sich in einer anderen Phase. Jedoch haben alle Firmen, die auf Industrie 4.0 umstellen, etwas gemeinsam: Sie alle versuchen die Daten ihrer Fertigungslinien zu sichten, zu sortieren, zu löschen, einzustufen und vor allem auch zu analysieren.
In einer Prozesssteuerungsumgebung wird eine riesige Datenmenge generiert. Diese ist so umfangreich, dass sie nicht von einer Person allein interpretiert werden kann. Daher besteht die Gefahr, dass die Bediener von der Informationsflut überwältigt werden und wichtige Möglichkeiten der Prozess- und Qualitätsoptimierung ungenutzt bleiben.
Die Antwort lautet, menschliche Expertise durch Künstliche Intelligenz (KI) zu erhöhen - nicht nur zu Analysezwecken, sondern um Maßnahmen vorherzusagen und einzuleiten. Eine korrekte Vorhersage der nächsten Schritte in einer bestimmten Situation und die Ergreifung präventiver Korrekturmaßnahmen erweist sich als überaus nützlich, wenn dies auf kostengünstige Weise, im angemessenen Umfang und früh genug erfolgen kann, um Ergebnisse sinnvoll zu verändern, beispielsweise um Ausschuss zu vermeiden. Kurz gesagt besteht das Ziel Künstlicher Intelligenz darin, große Datenmengen so zu nutzen, dass die Kosten von Qualitätsmängeln drastisch gesenkt werden, indem den Bedienern optimale Parametereinstellungen vorgegeben werden.
Wenn künftige Ereignisse in vollem Umfang vorhergesagt werden können und dies zum Standard wird, können wir dadurch sämtliche Disziplinen revolutionieren. Die offensichtlichsten Beispiele für diese Revolution sind Google, Facebook und Amazon. Dort wurde die Anwendbarkeit und Effizienz von Plattformen und Massenwerbung durch KI radikal verbessert.
Beispielsweise werden riesige Mengen von scheinbar zusammenhangslosen Online-Verhaltensdaten, die von Milliarden von Google- und Facebook-Nutzern generiert werden, mithilfe von KI gesichtet. Durch den Einsatz von KI können dann in Echtzeit die besten Antworten auf Suchabfragen oder die nützlichsten Werbeanzeigen ausgewählt werden, die den einzelnen Benutzern angezeigt werden sollen.
Warum sollte dieser Prozess also nicht auch für Produktionsdaten geeignet sein? Ob in der Automobilbranche, im Bergbau oder in anderen Schwerindustriezweigen - zu Fertigungslinien aus der realen Arbeitswelt gehören immer mehrere Prozessabläufe. Manche laufen parallel, andere sequenziell, aber alle beeinflussen sich gegenseitig und erfordern eine bestimmte Kombination aus Produktionsvariablen, damit die optimale Effizienz und der geringste Verlust gewährleistet sind.
KI-Lösungen wie OMNI von DataProphet™ werden in komplexen Produktionsumgebungen wie Gießereien, Mineralaufbereitungswerken, Langstahlwalzwerken und bei der Automobilherstellung sowie in Montageanlagen eingesetzt. Dort werden aus verschiedenen Quellen Verlaufsdaten zu Produktion und Qualität gesammelt und in einer übersichtlichen Ansicht dargestellt. Anschließend können die Daten in Echtzeit mit KI-Algorithmen verarbeitet werden, um potenziellen Qualitätsproblemen bei nachgelagerten Prozessen vorzugreifen. Darüber hinaus können proaktiv Korrekturmaßnahmen zur Vermeidung von Qualitätsabweichungen vorgegeben werden.
Und das ist längst keine Theorie mehr. Inzwischen ist es möglich, mithilfe
fortschrittlich überwachter oder unbeaufsichtigten maschinellen Lernmethoden, digitale Kopien von Anlagen zu erstellen, um die optimale Betriebsweise von komplexen mehrstufigen industriellen Prozessen zu ermitteln.
Bei herkömmlichen statistischen Methoden stellen die Menge, die Rate und die Diversität der Daten in umfangreichen Herstellungsprozessen ein Problem dar. Wo unbeabsichtigte Konsequenzen, die oft in großen, komplexen Fertigungslinien auftreten, durch statistische Prozesssteuerungen nicht bewältigt werden können, bieten KI-Algorithmen die Möglichkeit, Kaskadeneffekte zu analysieren und erfolgreich Vorhersagen zu treffen. Es werden Betriebsparameter vorgeschlagen, um unbeabsichtigte Konsequenzen zu verhindern und die Qualität zu optimieren.
... comment
