Praxisbeispiel: Predictive Quality
Predictive Quality basiert auf der Erfahrung, dass es auch dann zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle Prozessparameter innerhalb der jeweils gültigen 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. Genauer gesagt 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. Einfach gesagt: Je mehr die einzelnen Prozesswerte sich innerhalb ihrer zulässigen Toleranzen verändern und je mehr Kombinationen unterschiedlicher Extremwerte erfasst werden, desto besser.
Aus der Gesamtheit dieser Daten entwickelt die KI 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 % Wahrscheinlichkeit Ausschuss sind, sofort recyceln oder explizit prüfen und Teile, die zu mehr als 90 % die Einstufung „Gutteil“ bekommen, ungeprüft ausliefern. Je nach Branche und Wertigkeit der hergestellten Artikel ließen sich die Ergebnisse aus Predictive Quality aber auch ganz anders verwenden. Diese Entscheidung kann uns die KI nicht abnehmen wohl aber die Analyse der Daten und die Vorhersage von Ergebnissen.
Verglichen mit anderen, bekannten Standardanwendungen könnte man sagen: Excel liefert uns Tabellen und bunte Diagramme egal zu welchem Thema. Was wir auf Basis dieser Daten machen, ist nicht Aufgabe von Excel. Dafür ist es Excel gleichgültig, welche Art von Daten wir damit analysieren und visualisieren es ist und bleibt eine Standardanwendung. Gleiches gilt für KI-basierte Standardanwendungen.
Verglichen mit anderen, bekannten Standardanwendungen könnte man sagen: Excel liefert uns Tabellen und bunte Diagramme – egal zu welchem Thema. Was wir auf Basis dieser Daten machen, ist nicht Aufgabe von Excel. Dafür ist es Excel gleichgültig, welche Art von Daten wir damit analysieren und visualisieren – es ist und bleibt eine Standardanwendung. Gleiches gilt für KI-basierte Standardanwendungen.
KI-Einsatz in der Fertigung!?
Es bleibt die Frage zu klären, ob KI in der Smart Factory eingesetzt werden sollte und wenn ja, wofür. Diese Frage muss jedes Fertigungsunternehmen selbsteruieren und diskutieren. Einen Denkanstoß könnte die neue AI Suite von MPDV liefern. Zur AI Suite gehören aktuell acht Standardanwendungen, die jede für sich gesehen einen Mehrwert bietet und für mehr Wettbewerbsfähigkeit sorgt:
- AI Planning: Produktionskosten senken und Termintreue durch eine optimale Planung steigern,
- AI Workforce Planning: verfügbare Personalkapazitäten anhand ihrer Qualifikationen optimal einsetzen,
- AI-based Production Time Prediction: realistische Vorgabewerte ermitteln und damit Planungsergebnisse verbessern,
- AI-based Scrap Analysis: Zusammenhänge, die zu Ausschuss führen, erkennen und verstehen,
- AI-based Capacity Utilization Analysis: schwankende Nutzgrade einzelner Maschinen erklären,
- AI-based Setup Rate Analysis: Einflussfaktoren auf den Rüstgrad einzelner Maschinen ermitteln,
- AI-based Resource Performance Account Analysis: Betriebsmittelkonten gezielt analysieren sowie
- Predictive Quality: Qualität von Produkten vorhersagen.
All diese Anwendungen nutzen Daten aus der Manufacturing Integration Platform (MIP) und können daher ohne großen Zusatzaufwand eingesetzt werden ähnlich einfach wie der LED-Blitz am Handy. Mit etwas Licht sieht die Kamera besser und mit KI kann man mehr aus seinen Fertigungsdaten herausholen.