KI – durch Erkennung von Anomalien effektiver & nachhaltiger produzieren
Viele Unternehmen tun sich weiter schwer mit der Nutzung von KI in der Produktion. Wir zeigen auf, wie konkrete Herausforderungen durch den Einsatz von Methoden der KI besser gelöst werden können und damit wirtschaftlichen Nutzen generieren. Konkrete Anwendungsbeispiele zeigen auf, wie Unternehmen der Lebensmittel- und Getränkeindustrie die Produktion effizienter und nachhaltiger gestalten.
Partnerschaft zwischen INCTEC und FORCAM
Der FORCAM Partner incontext.technology (INCTEC) bietet eine datengestützte Lösung zur kontinuierlichen Überwachung von Anlagen und Prozessen für fertigende Unternehmen – Smart Monitoring. Mithilfe der Verfahren der Künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) ermöglicht es eine Datenanalyse sowohl auf Signal- als auch Prozessebenen, identifiziert Ausreißer und Unregelmäßigkeiten und schafft dadurch noch mehr Transparenz in industriellen Abläufen. Abweichungen vom Soll-Zustand können einfach und robust identifiziert werden. Mitarbeitende aus der Produktion werden über Abweichungen informiert und können somit datenbasierte und zeitnah über die passenden operativen Maßnahmen entscheiden, ohne selbst kontinuierlich Prozessdatenströme überwachen zu müssen. Dadurch, dass die Aufmerksamkeit der Mitarbeitenden auf relevante Information gelenkt wird, können Unternehmen neue Potenziale identifizieren, Effizienzgewinne realisieren, und nachhaltiger produzieren.
Motivation: Warum KI in der Fertigung einsetzen?
Das Potenzial der KI für die deutsche Wirtschaft ist riesig. Bis 2030 wird von einer BIP-Steigerung von über 10 Prozent ausgegangen, welche auf die Nutzung von KI-Lösung zurückzuführen ist. Für Unternehmen bieten sich vielseitige Chancen – von der Optimierung von Prozessen bis zur Weiterentwicklung bestehender Geschäftsmodelle.
Herausforderungen einer KI-Implementierung aus Kundensicht
Der potenzielle Nutzen einer KI-Implementierung ist immens, wie die Studie „Künstliche Intelligenz in Unternehmen“ (2019) von PWC aufzeigt. Dem gegenüber steht ein kleiner Anteil von 6 % an Unternehmen, die tatsächlich KI einsetzen, um ihre Wertschöpfung zu verbessern und zu optimieren und neue Geschäftsmodelle zu bauen. Auch die Kundenumfragen von INCTEC und FORCAM bestätigten die gängigsten Gründe und Herausforderungen. Diese lassen sich, wie folgt, zusammenfassen:
Unbekanntes Nutzenpotential:
Für eine große Anzahl an Unternehmen besteht eine große Unklarheit darüber, welchen Mehrwert durch KI in der Fertigung gewonnen werden kann. Hinzukommt die Wahrnehmung gegenüber KI, als Gefährdung des eigenen Arbeitsplatzes. So rücken die Potenziale der KI in den Hintergrund.
Vermeintlich hohe Kosten und fehlende Finanzierungsmittel:
Die Einführung von KI wird mit hohen Kosten und Aufwänden assoziiert. Experten in diesem Bereich sind nicht günstig und eine Inhouse-Lösung hat möglicherweise in der Vergangenheit nicht die erhofften Ergebnisse geliefert.
Datengewinnung / Mangelnde Daten:
Daten aus der Produktion fehlen oder sie liegen fragmentiert, unvollständig, wenig standardisiert, fehlerbehaftet und ohne den notwendigen Kontext vor. Oder es fehlt schlichtweg der Zugang zu Daten aus der Fertigung, sodass diese für die KI genutzt werden können. Bei der Digitalisierung der Produktion besteht besonders im Bereich der Maschinenanbindung eine zentrale Herausforderung. Brownfield Maschinen haben keinen einheitlichen Kommunikationsstandard. Maschinenhersteller nutzten in der Vergangenheit unterschiedliche Kommunikationsprotokolle, wodurch es eine Schwierigkeit darstellt, an die Maschinendaten zu gelangen. Die Umrüstung auf neue Standards wie OPC UA ist zumeist mit derart hohen Kosten verbunden, dass der Nutzen von KI Projekten zumindest riskant erscheinen mag.
Unzureichende IT- oder Daten-Infrastruktur:
Der Zugriff auf Prozesswerte erfolgt über viele verschiedene Anlagenhersteller bzw. unterschiedliche Protokolle. Auch das physische Abgreifen der Maschinensignale stellt Unternehmen vor Herausforderungen. Zudem wird für die Weiterverarbeitung der Daten oft zusätzliche Rechenleistung in den Produktionsstätten benötigt.
Warum KI-basierte Use-Cases in der Fertigung?
Durch eine KI-Integration in der Fertigung kann das operative Tagesgeschäft unterstützt werden, dies stärkt wiederum Mitarbeitende in ihrer Rolle. Unser Partner INCTEC setzt dabei auf einen modularen Aufbau der Software. Dies ermöglicht einzelne Funktionalitäten zu nutzen, um bei nachfolgenden Fragen intelligente Datenanalysen durchzuführen.
- Wird der Produktionsplan erfüllt?
- Wann und warum gibt es Abweichungen in der Produktqualität?
- Welche Qualitätschecks sollen durchgeführt werden und wann?
- Gibt es Probleme in der Produktionslinie?
- Wo befinden sich die Engpässe?
- Wann und wo ist mit einem Maschinenausfall zu rechnen?
- Wie sehen die Umweltleistungskennzahlen für die Maschine und die Produktionsstätte aus?
- Wann und wo passieren Energieverluste?
Wie sind die Anwendungsbereiche einer KI-Lösung?
Generell kann die KI in den vier Anwendungsbereiche Condition Monitoring, Ursachenanalyse, vorbeugende Maßnahmen und Vorhersage unterteilt werden.
- Monitoring/Condition Monitoring: Anormale Situationen erkennen
Die Künstliche Intelligenz (KI) überwacht beim Condition Monitoring kritische Zustände und Prozesse auf anormales Verhalten. Dabei sucht diese nach interessanten Mustern (Ausreißer, Ausnahmen oder Besonderheiten) in den Echtzeitdaten der Fertigung. - Analyse: Beziehungen zwischen Ereignissen erkennen
Erkennen von Abhängigkeiten zwischen Signalen, Einflussfaktoren und Ursachen von Ereignissen. - Vorbeugende Maßnahmen: Störungen vermeiden
Schnelles Reagieren auf abnormale Bedingungen mit geeigneten Gegenmaßnahmen. - Vorhersage: Was wird passieren?
Vorhersagen zu treffen, stellt die höchste Form künstlicher Intelligenz dar. Anhand gewonnener Erkenntnisse aus Datensätzen, kann die künstliche Intelligenz Szenarien vorhersehen, und Empfehlungen aussprechen, wie auf diese zu reagieren ist. Auf Basis bestehenden Datensätze und Muster, werden Maschinensignale und Produktionsleistungsindikatoren antizipiert, wodurch die Voraussage ermöglicht wird.
Verschiedene Arten der Anomalieerkennung beim Condition Monitoring
Bei der Anomalieerkennung geht es darum, im Datenstrom von etwa einer Maschine oder eines Prozesses Abweichungen vom – basierend auf historischen Daten identifizierten — Soll-Zustand zu identifizieren. Diese Abweichungen vom Soll-Zustand werden als Anomalie bezeichnet. Generell gibt es verschiedene Arten der Anomalien, wie folgt:
Besonders bei kontextuellen und kollektiven Anomalien zeigen die Methoden des Machine Learning (ML) seine Stärken. Sie stellen die Herausforderungen dar, welche nicht ohne Weiteres erkennbar sind. Durch eine integrierte Datenanalyse wird es somit möglich rechtzeitig auf kritische Vorfälle wie z.B. eine technische Störung, Abweichung von der gewünschten Qualität oder auf potenzielle Chancen hinzuweisen.
Abweichungen, Ausreißer (Outlier) und Unregelmäßigkeiten sind Begrifflichkeiten, die synonym für den Begriff Anomalie genutzt werden.
Vorgehensweise des Smart Monitorings
- Erfassen der Zeitreihen aus Maschinendaten
- Kontinuierliche Strukturanalyse der Zeitreihen
- Erlernen normaler Abläufe / Prozesse
- Vergleich der Strukturentwicklung und Erkennung von Abweichungen
- Visualisierungen und aktive Meldungen und Abweichungen
Produktion – Case 1: Optimierung der Qualitätssicherung
Der erste Use Case für die Food & Beverage Industrie stellt die frühzeitige Erkennung von Temperaturabweichungen in industriellen Maschinen und Anlagen in den Fokus.
Im Sommer, wenn das Obst reif ist, geht es darum, dieses für den Winter vorzubereiten. Das heißt aus Kirschen, Himbeeren, Erdbeeren und anderem Obst, wird Konfitüre oder Fruchtfüllungen hergestellt. Typische Schritte in der Verarbeitung sind Sortieren, Waschen, Mischen, Pasteurisation und Abfüllung. Beim Mischen wird das Obst mit weiteren Zutaten, bspw. Calcium und Gelee angereichert. Dieser Prozess führt dazu, dass die Konfitüre oder Fruchtmischung haltbar werden. Die Einhaltung des konkreten Temperaturfensters ist hierbei entscheidend für die Qualität des Produktes. Bereits kleine Abweichungen können somit einen Einfluss auf diese nehmen. Die Anomalieerkennung unterstützt die Werker dabei, frühzeitig Abweichungen zu identifizieren und auf diese zu reagieren. Das verhindert, dass Konfitüre hergestellt oder gar an die Kunden verschickt wird, die nicht dem nötigen Qualitätsstandard entspricht.
Somit ist es das Ziel, einwandfreie Produkte auf den Markt zu bringen. Das Tool unterstützt die Mitarbeitende bei der kontinuierlichen Beobachtung des Produktionsprozesses und ermöglicht, das Unternehmensziel zu erreichen.
Vorgehensweise
Dies gelingt durch eine Modellierung von Qualitätsleistungsindikatoren und der Korrelation zwischen Produktionsqualität, Sensorsignalen und Produktionsbedingungen. Die Ergebnisse werden dann in einem Dashboard und internen Systemen bereitgestellt. Dieser Use Case liefert seinen klaren Mehrwert durch die Identifizierung der wichtigsten qualitätsbeeinflussenden Faktoren. Zudem wird frühzeitig vor kritischen Entwicklungen gewarnt und so eine Entscheidungsgrundlage für Prozessanpassungen etabliert.
Mehrwerte:
- Identifizierung der wichtigsten qualitätsbeeinflussenden Faktoren
- Warnung bei kritischen Entwicklungen
- Entscheidungsgrundlage für Prozessanpassungen
Produktion – Case 2: Optimierung des Energieverbrauchs
Das zweite Beispiel bezieht sich auf die Optimierung des Energieverbrauchs. Ein akutes Thema für eine Vielzahl von Branchen, die einen hohen Energiebedarf aufweisen, wie zum Beispiel die Glas- und Gießereiindustrie. Auch in der Lebensmittelbranche ist Energie ein Thema. Die Energieverbräuche wirken sich direkt auf die Kosten der Produktion aus. Eine Waschanlage in der Lebensmittel- und Getränkeindustrie weist im Prozess einen hohen Energiebedarf auf. Wenn unter anderem die Pumpe überläuft oder zu wenig Wasser erhält, kann diese zu einer Überlastung führen und einen erhöhten Energiebedarf nach sich ziehen. Somit ist das Ziel in dem zweiten Case die frühzeitige Erkennung von Energieeffizienzverlusten in industriellen Waschanlagen.
Vorgehensweise zur Erkennung und Vorhersage von Energieverlusten
Zunächst wird der Soll-Zustand mit den tatsächlichen Energieverbräuchen der Arbeitsgänge in Echtzeit verglichen. Sobald der Abgleich einen abnormalen Energieverbrauch in den Arbeitsvorgängen identifiziert, werden die Zusammenhänge zwischen dem Energieverbrauch in der Produktionslinie und operativen Prozessdaten identifiziert. Daraus resultiert eine Schätzung der Hauptursachen für Verluste basierend auf operativen Sensordaten sowie Korrelation zu OEE (Overall Equipment Effectiveness).
Mehrwert
- Verringerung des Energieverbrauchs und der CO₂-Äquivalente durch optimierte Entscheidungen
- Kontinuierliche Optimierung der Energieeffizienz von Maschinen
- Vorausschauende Überwachung von Energieverbrauchsplänen und CO₂-Äquivalenten
FORCE EDGE CONNECT – Die Datenbasis für Ihr KI-System
Die Kombination von INCTEC Smart Monitoring und der Lösung FORCE EDGE CONNECT ermöglicht einen schnellen Einstieg in die intelligente Datenanalyse. Durch die FORCE EDGE CONNECT können die Herausforderungen der Datengewinnung und Datenqualität überwunden werden. Die Lösung basiert auf einer modernen Plug-in-Architektur, welche die gängigsten Maschinensteuerungen sowie Kommunikationsprotokolle unterstützt. Sämtliche Maschinen können somit problemlos an das System angebunden und Maschinensignale erfasst werden. Die erforderlichen Maschinensignale werden durch das Produktionsdatenmodell interpretiert und in verwertbare Informationen umgewandelt. Somit können Fertigungsprozesse effizient digitalisiert werden.
Auf diesen Maschinendaten setzen bereits vordefinierte Funktionalitäten von INCTEC Smart Monitoring auf. Kleine Apps, ausgestattet mit hochmoderner KI-Technologie. Diese können standardisiert beim Kunden eingesetzt werden, wodurch keine Neuentwicklung erforderlich ist. Somit wird ein kosteneffizienter Einstieg in die Anomalieerkennung geschaffen. Die gewonnenen Daten werden durch die Apps analysiert, ein Normalzustand definiert und Anomalien erkannt.
Die Nutzung der KI verspricht vielseitige Mehrwerte für Unternehmen:
- Erhöhte Resilienz in den Lieferungen, Anlagen und Prozessen
- Erhöhte Produktivität
- Senkung von Kosten für Instandhaltung und Qualitätssicherung
- Verlängerung der Nutzungsdauer von Anlagen und Infrastruktur
Fazit
Durch die Kombination von FORCE EDGE CONNECT und INCTEC Smart Monitoring wird ein leichtgängiger Einstieg in das Data-Driven Manufacturing ermöglicht. Herausforderungen können überwunden und die Mehrwerte der KI kosteneffizient realisiert werden. Starten Sie bereits heute mit der Erkennung von Anomalien und Vorhersage anhand von Maschinen- und Prozessdaten. Erkennen Sie selbst die Störungen, welche nicht intuitiv oder offensichtlich sind und treffen Sie dank künstlicher Intelligenz und Machine Learning effiziente und sichere Vorhersagen. Sie reduzieren dabei kritische Situationen in der Fertigung und können diese gar vorhersehen. Ihre Mitarbeitende erhalten durch smarte Datenanalysen eine solide Grundlage für optimale operative Entscheidungen.
