Mit den richtigen Daten im richtigen Format und einer IIOT-Plattform im Hintergrund behalten Kunststoffverarbeiter ihre Prozesse im Blick. (Bild: Gorodenkoff – stock.adobe.com)
In der sich schnell entwickelnden Landschaft der künstlichen Intelligenz (KI) spielen Daten die zentrale Rolle – je mehr von ihnen vorhanden sind, desto mehr Informationen können daraus gewonnen werden. Doch das Sammeln der Daten muss auch systematisch erfolgen. Andernfalls gestaltet sich das Entwickeln von wirtschaftlichen, robusten und damit auch im industriellen Kontext anwendbaren KI-Lösungen als schwierig. Hier kann eine zentrale IIOT-Datenplattform Abhilfe schaffen.
So ist die industrielle Datenlandschaft aufgebaut
Bei der Analyse des durchschnittlichen Datenbestandes eines produzierenden Unternehmens wird deutlich, dass Daten nicht gleich Daten sind, sondern eine differenzierte Betrachtung notwendig ist. Dabei existieren in der Regel die folgenden Informationsströme:
Batchdaten
In der Serienproduktion von beispielsweise Spritzgussteilen wird im heutigen Produktionsumfeld häufig mit einer Form von Batchdaten gearbeitet. Diese dienen dazu, um zum Beispiel für einzelne Chargen gegenüber dem Endkunden Qualitätswerte ausweisen zu können, auf die individuellen Anforderungen bestimmter Endkunden einzugehen oder auch den Ausschuss bei Produktionsfehlern zu minimieren. Die Batchdatensätze enthalten dabei in der Regel folgende Informationen:
• Batch-Identifikationsnummer
• Zeitstempel
• Ortsangabe
• Produktzuordnung
• Mengenangaben
Rezeptdaten
Neben den Batchdaten können auch Rezepte vorliegen, welche Vorgaben zum Produktionsprozess beinhalten. Diese sind wie folgt aufgebaut:
• Rezept-Identifikator
• Rezepttyp
• Materialinformationen
• Prozesssollwerte
• Anlagenzuordnung
Prozessdaten
Unter Prozessdaten werden hier dynamische Produktionsparameter zusammengefasst, welche im Grunde aus kontinuierlichen Messreihen bestehen. Im Bereich des Spritzgießens sind hier zum Beispiel Temperatur- und Druckmesswerte zu nennen. Diese bestehen aus
• Zeitstempel
• Mess- oder Statuswert
Änderungsdaten
Im Rahmen eines Produktionsprozesses treten häufig auch dynamische Anpassungen auf, wie Reaktionen des Operators auf bestimmte Gegebenheiten. Diese Änderungen, welche oft in Form von Sollwert- oder Rezepturanpassungen auftreten, werden der Transparenz und Nachvollziehbarkeit wegen wie folgend dokumentiert:
• Alter Wert
• Neuer Wert
• Zeitstempel der Änderung
• Ändernde Person
Maschinendaten
Maschinendaten sind entgegen den Prozessdaten eher statischer Natur. Hierunter fallen Informationen zu den Maschinen, den Werkzeugen sowie deren Komponenten wie
• Identifikationsnummer
• Herstellerangabe
• Inbetriebnahme- und Wartungsdaten
• Technische Informationen
Ereignisdaten
Diese Art der Daten protokolliert dynamisch auftretende Ereignisse, welche sich zum Beispiel auf den Produktionsablauf auswirken können. Das können Grenzwertüberschreitungen von Temperaturen und Drücken, Materialengpässe (zu geringe Granulatmenge) oder auch Störungsmeldungen der Maschinen sein. Aufgebaut sind sie allgemein wie folgt:
• Zeitangaben
• Meldungsinformationen
• Grenzwerte
Warum die Heterogenität der Daten oft das Kernproblem ist
Begriffe wie Industrie 4.0, Big Data und Digitalisierung waren in den letzten Jahren schon allgegenwärtig, und viele Unternehmen haben bereits angefangen, Daten zusammengetragen, ohne dabei jedoch eine genaue Vorstellung eines Use- oder Business-Cases zu haben. Ganz nach dem Motto: „Haben ist besser als brauchen!“
Bevor nun an eine zukunftsorientierte Integration von KI-Lösungen in einem Unternehmen gedacht werden kann, ist es jedoch wichtig zu verstehen, dass die Datensätze hierzu vollständig, richtig strukturiert beziehungsweise formatiert und aufeinander abgestimmt vorliegen müssen.
Ganz gleich wie unterschiedlich die individuellen Prozesse eines jeden produzierenden Unternehmens auch sein mögen, die meisten in einem Unternehmen erfassten Daten entsprechen dem charakteristischen Aufbau einer der oben genannten Kategorien. Trotzdem ist bei der Verwendung dieser Daten für die KI-Systeme Vorsicht geboten. Wenn die Daten auch gleichartig strukturiert sind, besteht das Kernproblem häufig darin, dass die Informationen aus vielen verschiedenen Quellen zusammenfließen. Oftmals sind dabei auch mehrere unterschiedliche Softwaresysteme und Schnittstellen in der Anwendung, welche das Abstimmen zusätzlich erschweren. Das führt zu heterogenen Datensätzen, die im Vorfeld erst aufwendig harmonisiert werden müssen. Dafür muss in der Regel auf externes Wissen zurückgegriffen werden, da für die Datenaufbereitung ein tiefes Verständnis der KI-Methoden vorausgesetzt wird und dazu meist das Fachpersonal fehlt. So scheitern viele KI-Ansätze bereits an der Heterogenität und der vorliegenden Komplexität, für welche entsprechend Experten benötigt werden.
Abhilfe durch den Einsatz von zentraler Datenplattform
Ziel sollte es deshalb sein, dass Daten so gesammelt und bereitgestellt werden, dass das Entwickeln von skalierbaren und generisch einsetzbaren KI-Lösungen möglich ist – ohne dabei den Fokus auf die Individualität der vorhandenen Fertigungsstrukturen zu verlieren.
Die Datenplattform Mia bietet dazu einzelerwerbbare Module, um die Daten strukturiert und direkt aufeinander abgestimmt zu erfassen. Der damit geschaffene Unified Name Space (UNS) organisiert die Produktionsdaten und sorgt für eine konsistente und redundanzvermeidende Struktur (Single Source of Truth). Hierdurch können aufwendige Aufbereitungs- und Integrationsprozesse erheblich minimiert werden – auch ohne dass speziell hierfür notwendiges Fachwissen aufgebaut werden muss. Da in Mia alle Informationen in einem Hub zusammenfließen, wird auch der Administrationsaufwand erheblich reduziert. Zudem werden direkt Werkzeuge mitgeliefert, um die Daten visualisieren wie auch auszuwerten zu können. Dazu stehen individuell gestaltbare Dashboards und Berichtsoptionen zur Auswahl.
Durch die zukünftige Integration der nachfolgend vorgestellten KI-Ansätze kann eine umfassende Lösung angeboten werden, welche sowohl beim Aufzeichnen und dem Zusammenführen der Daten als auch bei der Analyse und Auswertung unterstützt.
A.I.Plasticscon 2024 – KI in der Kunststoffverarbeitung
Die Anwendungen von Künstlicher Intelligenz (KI) sind mit rasanter Geschwindigkeit ins alltägliche Leben eingezogen. Für produzierende Unternehmen stellt sich die Frage, wie KI effizient eingesetzt werden kann, um beispielsweise Prozesse zu optimieren und technische Lösungen eigenständig zu erarbeiten. Das Kunststoff-Institut Lüdenscheid lädt herzlich zur ersten Ausgabe der A.I.Plasticscon ein. Der Fokustag am 21. November 2024 widmet sich ganz der Schnittstelle von Künstlicher Intelligenz und der Kunststoffverarbeitung. Experten aus Wissenschaft und Industrie geben Einblicke in die neuesten Entwicklungen und präsentieren konkrete Anwendungsbeispiele. PLASTVERARBEITER begleitet die Veranstaltung als Medienpartner.
Zum Programm und der Möglichkeit zur Anmeldung gelangen Sie hier.
Wie werden KI-Anwendungen integriert?
Doch welcher Mehrwert lässt sich nun mit den gesammelten Daten und KI-Methoden generieren? Im Grunde dreht sich jeder potenzielle KI-Anwendungsfall um das Einsparen von Ressourcen und/oder die Steigerung der Produktivität. Um dies zu konkretisieren, schauen wir aus drei unterschiedlichen Blickwinkeln auf die Daten. Dabei wird schnell bewusst, dass das isolierte Betrachten von einzelnen Datensätzen nur bedingt Auskünfte über die Produktionsprozesse zulässt und dass erst das Zusammenführen der unterschiedlichen Informationsquellen dazu führt, dass ein vollumfängliches Optimieren der Prozesskette möglich wird.
Blickwinkel 1: Planung
Grundstein jeglichen erfolgreichen Handelns ist eine informationsbasierte und vorausschauende Planung. Auch wenn Daten hier keinen Blick in die Zukunft ermöglichen, so helfen sie doch dabei, Trends frühzeitig zu erkennen und fundierte Entscheidungen zu treffen.
Prozessexperten können dank ihrer Erfahrung auch heute schon viele Informationen aus Prozess-, Batch- und Alarmdaten lesen und daraus Handlungsempfehlungen ableiten – sei es über Temperatur- und Druckverlaufskurven eines Spritzgussprozesses und der damit erwartbaren Qualität oder dem Produktergebnis und dem damit verbundenen Zustand von Werkzeugkomponenten. Damit dies jedoch möglich wird, müssen die notwendigen Daten den Mitarbeitern auch so einfach wie möglich zur Verfügung gestellt werden. Hier bietet die IIOT-Datenplattform des Unternehmens eine Vielzahl an Visualisierungsmöglichkeiten, um die Daten anschaulich und verständlich darzustellen. Durch die genutzte Webtechnik kann auch mit einem mobilen Gerät auf die Daten zugegriffen werden, sodass auch der Anwender vor Ort eine Möglichkeit hat, an notwendige Informationen zu gelangen.
Es stellt sich die große Frage, was passiert, falls diese Experten und das damit verbundene Fachwissen in Zukunft nicht mehr in diesem Umfang zur Verfügung stehen werden.
Durch den Einsatz von KI-basierten Vorhersagemodellen können aus den Daten automatisch Muster erkannt werden, welche stellenweise selbst für Experten verborgen geblieben wären. Auf Basis dieser erkannten Strukturen können automatisiert Prognosen und Szenarien erstellt werden, selbst wenn es an Expertenwissen mangeln sollte.
Blickwinkel 2: Instandhaltung
Neben einer fundierten Planung hat der Zustand des für die Herstellung verwendeten Equipments einen sehr großen Einfluss auf das Prozessergebnis.
Um vermeidbaren Ausschüssen beispielsweise aufgrund schlechter Qualität und eventuellen Stillständen vorzubeugen, ist es notwendig, den Zustand der eingesetzten Komponenten jederzeit verfolgen zu können und auftretende ungeplante Ausfälle rechtzeitig zu erkennen. Dafür ist der Einsatz einer Echtzeitüberwachung mit Benachrichtigungsfunktionen essenziell. Dies lässt sich heute schon im Zusammenspiel des Events-, Tags- und Assets-Modul der Plattform realisieren.
Mit einem solchen Überwachungssystem können Prozessdaten bereits ohne historische Instandhaltungsprotokolle genutzt werden, um ein KI-basiertes Konditionsmonitoring aufzubauen. Dieses System kann automatisch anormale Zustände erkennen und informiert die entsprechenden Experten hierüber. Kombiniert man dies im zweiten Schritt mit aufgezeichneten Fehlerklassifizierungen sowie Wartungsregistern, so lassen sich die erkannten Anomalien direkt bewerten (wartungsbezogen oder nicht) und einer oder mehreren (dem Bediener bekannten) Fehlerklassen zuordnen. Wird dieser Ansatz mit dem Expertenwissen der Techniker vor Ort erweitert, so ist es möglich, nicht nur Klassifizierungen durchzuführen, sondern detaillierte Wartungsberichte und -anfragen (basierend auf dem vermuteten Schaden) zu erzeugen und automatisiert an die entsprechenden Personen weiterzuleiten.
Blickwinkel 3: Qualitätsmanagement
Neben dem Zustand der verwendeten Komponenten sind die Prozessfaktoren ein weiterer einflussreicher Punkt, welcher sich auf die Qualität der Erzeugnisse auswirkt. Hierbei spielen nicht nur auftretende Schwankungen im Produktionsablauf, sondern auch die zugrunde liegende Rezeptur sowie die eingestellten Maschinen- und Werkzeugparameter eine entscheidende Rolle. Wurden die Prozessdaten über einen längeren Zeitraum gesammelt, können mithilfe von KI-Methoden, Rezept- und Einstellungskombinationen identifiziert werden, die zu einem optimierten Ergebnis führen. Daneben kann insbesondere die Fähigkeit generativer Systeme genutzt werden, um zum Beispiel Prozesse auf Basis eines Rezepts und der geplanten Sollwertkurven zu „simulieren”, ohne diese tatsächlich auf der Maschine durchzuführen.
Dies ist insofern spannend, da andere KI-Systeme aufbauend hierauf die dynamischen Bestandteile der Einstellungen wie Maschinenparameter, Mengen im Rezept nun vergleichbar einem mathematischen Optimierungsproblem automatisiert anpassen können, um ein möglichst ideales Ergebnis wie ein vorhergesagter Qualitätswert auf Basis des „simulierten” wahrscheinlichen Ablaufs zu erzeugen. Im Zusammenspiel mit dem Wissen langjähriger Prozess- und Technologieexperten lassen sich damit durch eine entsprechende Investition an Zeit neue Rezepteinstellungen oder Prozessparameterkombinationen entwickeln, welche so in konventionellen Versuchsreihen bisher noch nicht berücksichtigt wurden.
KI-Verfahren erlauben ebenfalls die Einschätzung physischer Eigenschaften oder Qualitätsklassen von Erzeugnissen auf Basis ihrer Herstellungsdaten – Rezeptur- und Prozessdaten sowie Maschinenparameter. Dadurch lassen sich zum Beispiel die Anzahl an zerstörenden Prüfungen im Labor deutlich reduzieren. Somit können Testkapazitäten eingespart und damit umfänglichere Testreihen durchgeführt werden. Dies wiederum ermöglicht einen Qualitätsnachweis für Produktionsserien mit hoher Stückzahl, wo eine Einzelteilprüfung aufgrund der schieren Masse nicht wirtschaftlich wäre.
Der zunehmende Fachkräftemangel und der steigende wirtschaftliche Druck werden dazu führen, dass auch kleine und mittelständische Unternehmen sich mit dem Thema Datenerfassung und KI befassen müssen, falls sie nicht den Anschluss verlieren wollen.
Interview: Nachgehakt bei Fabian Kuhn, Head of Digital Transformation
Herr Kuhn, Sie sagen, dass der beim Kunststoffverarbeiter gesammelte Datensatz hinsichtlich seiner Brauchbarkeit bewertet werden muss. Wie erfolgt diese Abschätzung?
Fabian Kuhn: Zunächst muss sich der Kunststoffverarbeiter darüber Gedanken machen, welche Bedürfnisse er hat und welche Problemstellungen sich daraus ergeben. Anschließend muss er prüfen, ob die hierfür notwendigen Datenbestände bereits vorhanden sind oder wie er diese aus seinen Maschinen und Anlagen extrahieren kann. Danach ist es wichtig sicherzustellen, dass alle Daten harmonisch zueinander passen und aufeinander abgestimmt sind, da sonst sämtliche Auswertungen nur erschwert durchgeführt werden können.
Eine homogene Datenqualität kann somit als Reifegrad auf dem Wege zur Digitalen Fabrik gesehen werden. Hat ein Unternehmen zum Beispiel keine oder wenige Daten einhergehend mit mangelnder Transparenz in Bezug auf deren Aufbau, so steht er am Anfang dieser Reise. Wenn ein Unternehmen seinen Datenbestand gut kennt und falls der Weitblick für die Wichtigkeit der Datenstrukturen beim Set-up gegeben war, so ist dieser schon deutlich weiter und muss weniger Aufwand einbringen, um den gleichen Digitalisierungsgrad zu erreichen.
Warum ist eine übergeordnete Plattform wie Mia zielführend?
Kuhn: Arbeitszeit, Fachpersonal, Planungsaufwand und Kosten, welche beispielsweise durch eine Datenharmonisierung verursacht werden, entfallen. Dadurch ist eine Grundlage für KI-Anwendungen gegeben, welche auch für kleine und mittlere Unternehmen wirtschaftlich umsetzbar ist. Mia reduziert nebenbei zusätzlich den Administrationsaufwand, da nur eine Software zu pflegen ist. Zudem werden Werkzeuge mitgeliefert, mit denen man die Daten direkt visualisieren, also auch auswerten kann.
Kann die Plattform in bestehende Produktionen nachgerüstet werden und welche Voraussetzungen müssen die Maschinen hierfür mitbringen?
Kuhn: Ja, Mia kann grundsätzlich nachgerüstet werden, insofern Maschinen über eine der unterstützen Schnittstellen wie OPC UA, Modbus verfügen. Je nach Produktionslandschaft ist das aber natürlich immer individuell und muss im Einzelfall betrachtet werden.
Können die Daten von Maschinen und Geräten unterschiedlicher Hersteller auf ein und derselben Plattform zusammengeführt werden oder sind mehrere notwendig?
Kuhn: Der große Mehrwert der Plattform ist, dass man diese nur einmal pro Standort installieren muss und damit alle Datenquellen (unabhängig vom Hersteller, Alter) zusammenführen kann. Darunter fallen auch Objekte wie Energiezähler oder Photovoltaikanlagen.
Wird es aus Ihrer Sicht durch den Einsatz von KI möglich, dass fachfremdes Personal Spritzgießmaschinen bedient? Sprich, gibt die KI bei sich ankündigenden Abweichungen im Prozess „Handlungsempfehlungen“ aus?
Kuhn: Es wird einfacher werden, auf Abweichungen im Prozess zu reagieren, da Handlungsempfehlungen mit KI erstellt und fundiert begründet werden können. Bis diese Erklärungen konstant das Niveau eines langjährigen Fachexperten übertreffen, ist es aber doch noch ein weiter Weg. Der Mehrwert, welcher momentan geschaffen werden kann, ist die 24/7 Verfügbarkeit eines „virtuellen“ Experten, welcher unterstützend Vorschläge macht, welche jedoch noch von einem Experten bewertet werden müssen. Dadurch kann dennoch wertvolle Zeit für das Fachpersonal gewonnen werden, sodass diese sich auf die komplexeren Aufgaben konzentrieren können.
Wie sehen Sie die Zukunft der künstlichen Intelligenz in der Kunststofftechnik? Welche Entwicklungen und Trends erwarten Sie in den nächsten fünf bis zehn Jahren?
Kuhn: Es wird automatisierte Rezeptur- und Maschinenparameteranpassungen geben, ohne dass dafür Fachpersonal notwendig sein wird. So können beispielsweise Umrüstungszeiten und Musterungsintervalle verkürzt werden, da optimierte Parameterkombinationen vorgeschlagen werden. Im Rahmen von Laboruntersuchungen und bei Entwicklungsprozessen werden KI-Methoden Standard werden. Sei es die Anomalie-Erkennung, um Qualitätsmängel aufzudecken oder die optimierte Auslegung von Fließkanälen und Produktgeometrien. Eventuell wird es sogar so weit kommen, dass reaktiv in Prozesse eingegriffen wird, was natürlich einige spannende Fragen etwa hinsichtlich der Sicherheit aufwerfen wird, welche vorher gelöst werden sollten.
Quelle: SPIE Automation
