Machine Vision, Absatzprognose und digitale Assistenten – dort eingesetzt, wo klassische Verfahren an ihre Grenzen stoßen.
Einordnung
Immer dann, wenn ein Prozess nicht mit wenigen Sätzen (oder wenigen grafischen Symbolen, z. B. in einem BPM-Netzwerk) beschrieben werden kann, sollte ein KI-Ansatz in Erwägung gezogen werden. Weitere deutliche Hinweise sind Aussagen wie „Das entscheidet dann ein Mitarbeiter aus seiner Erfahrung.“ oder „Die Nachtschicht produziert deutlich mehr Non-Good-Artikel als die Frühschicht.“
Wir unterscheiden bei KI im Wesentlichen zwei Anwendungsszenarien:
Den gekapselten (embedded) Einsatz von KI-Algorithmen in Maschinensteuerungen und besonders in smarten Sensoren zur Klassifizierung eines Artikels oder einer Verpackung. Beispiel sind ein Bilderkennungssystem zur differenzierten Bestimmung der Produktqualität oder die bildgestützte Überwachung der Etikettierung.
Einen Einsatz im Bereich „Data Mining“, z. B. für die Prognose von Bestellmengen. Hierfür ist die Bereitstellung eines umfassenden Sets an historischen Produktionsdaten erforderlich, um das neuronale Netz entsprechend trainieren zu können. Ein weiterer typischer Anwendungsfall ist ein digitaler Assistent, der dem Linienbediener Vorschläge für eine optimierte Einstellung von Maschinenparametern bereitstellt.
Viele in der Food-Industrie eingesetzte Rohstoffe sind Naturprodukte. Bei der Verarbeitung kommt es zu Qualitätsabweichungen. Diese müssen durch eine Anpassung von Parametern der Produktionsmaschinen oder der Rezeptur ausgeglichen werden.
Quality Check Points, die abschließend die Gesamtqualität des verkaufsfertigen Produktes bewerten, sind in der Regel erst am Ende der Produktionslinie installiert. Eine Durchlaufzeit von mehreren Minuten durch die Linie erschwert aufgrund der Totzeit den Einsatz von klassischen Methoden der Regelungstechnik.
Hier kann Künstliche Intelligenz seine Vorteile voll ausspielen. Auf Basis der immensen Rechenleistung in der Cloud können komplexe Algorithmen aus dem vorhandenen Datenschatz vergangener Produktionsabläufe (Big Data) „lernen“. Kommt es an einer beliebigen Stelle im Prozess zu einer Abweichung, kann die KI damit optimal umgehen. „Optimal“ bedeutet in diesem Zusammenhang, dass Gütekriterien des Herstellers für den Prozess möglichst erfüllt werden. Die eingesetzten Kundendaten beschränken sich auf Signale von Sensoren und Aktoren, so dass Betriebsgeheimnisse nicht in die Cloud ausgelagert werden.
Das Ziel von KI ist es, den Erfahrungsschatz eines erfahrenen Linienbedieners mit einem Neuronalen Netz nachzubilden. In der Folge trifft die KI ähnlich gute oder sogar bessere Entscheidungen bei der Nachführung von Maschinenparametern oder der Anpassung von Rezeptkomponenten zur Laufzeit der Produktion.
Angebot
Der Einstieg ist bewusst klein gehalten: erst prüfen, ob sich der Aufwand lohnt – dann entwickeln.
Eine kostengünstige Short Study bewertet Ihre historischen Produktions-, Sensor- oder Verkaufsdaten auf KI-Potenzial und benennt die erwartbare Genauigkeit von Prognose und Klassifizierung.
Egal, ob eine Verkaufsprognose, ein Digitaler Assistent oder ein smarter KI-Sensor Ihren Produktionsablauf nachhaltig unterstützen kann, wir bieten Ihnen zunächst eine sehr kostengünstige Untersuchung des Einsatzfalls an. Von Ihrer Seite werden lediglich historische Daten zur Verfügung gestellt, gerne auch anonymisiert. Diese Daten stammen für Verkaufsprognosen in der Regel aus Ihrem Warenwirtschaftssystem oder aus der Buchhaltung. Digitale Produktionsassistenten und smarte KI-Sensoren benötigen hingegen Sensordaten aus der Produktion. Hier bietet sich der Einsatz eines Fertigungsmanagementsystems (MES) an, das dafür prädestiniert ist, relevante Sensorik anzubinden und dessen Daten aufzuzeichnen. Auch aus weiteren Datenquellen, wie z. B. einem Labor Informations Management System (LIMS) können relevante Daten gewonnen werden. Diese werden in einem „Data Lake“ zunächst ungeordnet gesammelt und der KI bereitgestellt. Ggf. ist auch eine Klassifizierung der Datensätze erforderlich, die vom sogenannten „Domain-Experten“, also einem erfahrenen Mitarbeiter des Anlagenbetreibers, beigestellt wird. Dieser Schritt ist sehr wichtig, weil damit die Übertragung von Erfahrung bzw. Expertenwissen von (einzelnen) Mitarbeitern in die KI gelingt. Das Ergebnis der Untersuchung ist eine Darstellung der Möglichkeiten von KI in Ihrem Anwendungsfall mit einer Aussage zur erwartbaren Genauigkeit der Prognosen und Klassifizierungen.
Kameras, Objektive, Controller und Beleuchtung stellen wir für einen Testzeitraum kostenneutral bei; das Training der Algorithmen läuft auf unserer IT-Infrastruktur.
Der Einsatz von Bildverarbeitung (Machine Vision) kann nur mit industrietauglicher Qualitätshardware untersucht werden. Die Kameras, Objektive, Controller und Beleuchtung müssen von Ihnen jedoch nicht im Vorfeld gekauft werden, sondern diese stellen wir für einen Testzeitraum kostenneutral bei. Von Ihrer Seite ist lediglich die Bereitstellung einer 230VAC-Versorgung sowie eine mechanische Aufständerung bzw. Halterung erforderlich. Unsere leistungsfähige IT-Infrastruktur ermöglicht das Trainieren der Algorithmen. Erst wenn die Software nach einem positiven Testergebnis entwickelt werden und bei Ihnen im Echtbetrieb zum Einsatz kommen soll, ist die Beistellung einer ausreichenden Rechnerleistung erforderlich. Dies kann entweder in Form einer virtualisierten Serverumgebung „on premise“, also in Ihrer Server-Infrastruktur, erfolgen oder mit einer cloudbasierten Lösung. Für smarte KI-Sensoren kann auch der Einsatz eines „Edge-Computers“, also eines leistungsfähigen Controllers direkt am Sensor, ausreichend sein.
