IS Predict GmbH - Künstliche Intelligenz zieht in Fabrikhallen ein

Projektbeispiel 1: Automatisierte Qualitätsbewertung kritischer Produktionsschritte

Bis ein Produkt entsteht, werden viele unterschiedliche Produktionsschritte durchlaufen, die unterschiedlich kompliziert und kritisch sind. Kritische Produktionsschritte wurden trotz ihrer Wichtigkeit oft nur stichprobenartig überprüft, da eine Prüfung zeit- und kostenintensiv ist. Neue, selbstlernende Künstliche Intelligenz-Verfahren ändern dies, da sie automatisiert mit den vorhandenen Steuerungsdaten klare Muster erkennen, wann der Produktionsschritt nicht mit hoher Qualität durchlaufen wurde. Das Ergebnis ist eine deutliche Kostenreduzierung der Qualitätsprüfungen, jedoch mit gleichzeitiger 100%-Prüfabdeckung.

 

Projektbeispiel 2: Zukünftige Qualität prognostizieren

Optimal wäre es, am Ende kritischer Produktionsprozesse die Qualität überprüft. Jedoch kann dies sehr aufwändig sein.

Daher erkennen selbstlernende Künstliche Intelligenz-Verfahren bereits während der Durchführung des Produktionsschrittes, ob die Qualitätskennzahlen erreicht werden. Wenn nein, dann kann entweder gegengesteuert werden, um Ausschuss zu vermeiden. Oder – wenn dies nicht mehr möglich ist – wird der zeitintensive Produktionsschritt abgebrochen, um somit Produktionszeit zu sparen sowie Maschinenverschleiß und Betriebskosten zu reduzieren.

 

Projektbeispiel 3: Komplexe Ursachen für Minderqualität im Ende-zu-Ende Produktionsprozess aufdecken

Trotz aller Zwischenprüfungen fallen funktionale End of Line-Prüfungen negativ aus. Selbst ein sehr kleiner Prozentsatz ist bei 11.000 produzierten Produkten/Tag zu viel. Daher deckt selbstlernende Künstliche Intelligenz die komplexen Ursache-Zusammenhänge im variantenreichen Produktionsprozess auf, so dass die Werker:innen die Ursachen für Minderqualität abstellen können. Gerade in einer 24/7-Produktion ist das schnelle Auffinden und Abstellen der Minderqualitäts-Ursachen essentiell.

 

Projektbeispiel 4: Zukünftigen Verschleiß aufdecken, bevor die Qualität leidet

In der Automobilindustrie werden die Produktionsmaschinen oft stark belastet. Beispielsweise erzeugt eine Karosseriepresse bei jedem Hub Verformungen im Metall, die natürlich mit entsprechender Kraft durchgeführt werden müssen. Unter dieser mechanischen Belastung leiden bspw. sowohl die Roboter, die die Zu- / Wegführung des Materials durchführen, als auch die Schablonen, die die zukünftige Autotür oder den zukünftigen Kofferraumdeckel verformen.

Verschleiß an den Anlagen hat jedoch Auswirkungen auf die Genauigkeit, und somit auf die Qualität der geformten Karosserieteile.

Je später ein Fehler im Produktionsprozess entdeckt wird, desto kostspieliger wird dessen Behebung.

Für eine nachhaltige Qualitätsoptimierung ist es wichtig, dass die KI mitlernt und sich bei Änderungen der Prozesse, der Produkte, der Einflüsse, … eigenständig – also ohne Zutun eines Data Scientist – an die Veränderungen anpasst. Hier kommt Selbstlernalgorithmik mit dynamischen und adaptiven Lernen zum Tragen.