Kernthesen
- KI und maschinelles Lernen sind effiziente Methoden zur Prozessoptimierung.
- Die Verfahren können auch bei kleinen Datenmengen eingesetzt werden.
- Anwendungsbeispiele aus den Bereichen Umformtechnik, Kleben und Stanznieten zeigen den Nutzen der Methoden eindeutig auf.
- Das wirtschaftliche Potential wird heute nur zu einem Bruchteil genutzt.
Zusammenfassung
Methoden der künstlichen Intelligenz und des maschinellen Lernens sind auch für Anwendungen in Produktionsprozessen aufgrund ihres wirtschaftlichen Potentials von großer Bedeutung.
Sie können z.B. die Anlaufphase verkürzen, die Prozessrobustheit erhöhen, die Produktqualität stabil halten und Ausschuss vermeiden sowie für die prädiktive Instandhaltung eingesetzt werden.
Der Vortrag erläutert zunächst einige Teildisziplinen der KI – überwachtes und unüberwachtes Lernen – und die Methodik des automatisierten maschinellen Lernens („AutoML"). Dabei stellen wir kurz und verständlich die wesentlichen Ideen von datengetriebener Prognose, Kreuzvalidierung und Hyperparameteroptimierung.
Anhand konkreter Anwendungsbeispiele in den Bereichen Umformtechnik, Kleben und Nieten zeigen wir schließlich konkret den Nutzen dieser Verfahren für Anwendung in der Prozesstechnik auf.
Darstellung des Nutzens für KMU
Datengetriebene Methoden der künstlichen Intelligenz können von KMU in vielfältiger Weise genutzt werden. Wir fokussieren hier auf den Bereich der Produktionsprozesse und nehmen an, dass Prozessdaten in Ansätzen zur Verfügung stehen. Direkte Anwendungen finden sich dann in Bereichen Prozessanlauf, Prozessrobustheit, Qualitätsmanagement und Instandhaltung. Im Einzelnen:
- Prozessanlauf: Die gezielte Durchführung von Parametervariationen und Analyse der Daten ermöglicht eine Verkürzung der Anlaufphase und Reduktion von Ausschuss.
- Prozessrobustheit: Die Analyse von Prozessdaten ermöglicht es, die Robustheit des Prozesses z.B. gegenüber Schwankungen der Materialeigenschaften zu optimieren.
- Qualitätsmanagement: Die Analyse von Prozessdaten ermöglicht es, wesentliche Optimierungsschritte für die Vermeidung von Ausschuss und Stabilisierung der Produktqualität durchzuführen.
- Instandhaltung: Die Analyse von Anlagenzuständen und zustandsrelevante Parametern ermöglicht es, prädiktive Instandhaltung zu planen und zu optimieren.
Projekt
Referent: Prof. Dr. Thomas Bäck, Universität Leiden und divis intelligent solutions GmbH, Dortmund