KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION 30. Juni 2020 SOLVE2GETHER – Lösungsforum für Geschäftsprozess
Digitale “Unternehmensreife”:
so entsteht aus Daten ein Ecosystem Mit Hilfe eines eigenen
Ecosystems, Wert durch
Netzwerkeffekte schaffen
Komme zu neuen
Erkenntnissen wie Produkte,
Produktion, Service etc.
verbessert werden können
Innengerichtete
Erschließe neue
Lernphase
Kundengruppen und
bleibe wettbewerbsfähig
Digitale Reife
Neue, IoT-basierte
Transparenz erlangen
Geschäftsmodelle
welche Bedeutung die
Daten wirtschaftlich haben
Verständnis Daten sammeln und
schaffen für Wert Netzwerkeffekt
Erfahrung aufbauen
aus Daten (IoT) (einfache IoT Projekte)
Claus Cremers Co-Creation Find me on LinkedIn
Themenschwerpunkt:
KI-basierte digitale Helfer
Herausforderung:
Da die Produktion immer komplexer, flexibler und
anspruchsvoller wird,
ist es für Maschinen-Bediener immer schwieriger,
Korrelationen zu erkennen sowie optimale
Maschineneinstellungen zu erreichen und
beizubehalten.
Qualität wird in der Produktion vielfach
beeinflusst …
Mitarbeiter Maschine Material Umgebung
Qualifikation Performance Zusammensetzung Temperatur
Erfahrung Zustand Festigkeit Luftfeuchtigkeit
Dimensionen
Beispiel: mehrstufiger Pressprozess bei
einem Automobilhersteller
Herausforderung:
Qualität der produzierten Teile hängt ab von:
• …
• …
Risserkennung Produzierte • …
Teile
Presse #1 – #6
Automatisierte
Qualitätskontrolle
Schmierung
Produktionsschritt
1–n
Vorbereitung
Rohmaterial
Themenschwerpunkt:
KI-basierte digitale Helfer
Ziel:
Eine selbstlernende Lösung zur
Ermittlung optimaler
Maschineneinstellungen in
komplexen Umgebungen
Alexander Epple KI-Lösungen Find me on LinkedIn
Beispiel: Pressenstraße
Anwendungsfall:
• Vielzahl von Produkten, die eine spezifische Einstellung
der Presse erfordern: Türen, Seitenteile, Dächer, … für
verschiedene Fahrzeugmodelle
• Optimale Einstellung für ein Produkt ist nicht statisch
Risserkennung Produzierte
sondern z.B. abhängig von der Temperatur des
Teile Presswerkzeugs
Presse #1 – #6
• Parameter müssen nicht nur beim Werkzeugwechsel (=
Umstellung auf anderes Produkt) sondern auch im
Automatisierte
Qualitätskontrolle laufenden Betrieb angepasst werden.
Schmierung Mengengerüst:
Produktionsschritt
1–n • 40 verschiedene Produkte
• 200 relevante Parameter
Vorbereitung
Rohmaterial • Tausende produzierte Teile pro Tag, automatisierte
Qualitätskontrolle für jedes Teil
Beispiel: Zementmühle
Anwendungsfall:
• Nur wenige einstellbare Parameter, die aber von
mehreren Einflussgrößen abhängen
• Keine automatisierte Qualitätsmessung sondern nur
Stichproben, deren Auswertung mehrere Stunden
benötigt
• Daher großer Zeitverzug bei der Korrektur nicht-
optimaler Einstellungen
Mengengerüst:
• 1 Produkt
• 3 relevante Parameter, abhängig von 20 Einflussgrößen
• Wenige Qualitätsmessungen pro TagChristian Engel KI-Lösungen Find me on LinkedIn
KI-IMPULS: ÜBERBLICK ÜBER KI-TECHNOLOGIEN Sarah Osterburg, Data Scientist 30. Juni 2020 SOLVE2GETHER – Lösungsforum für Geschäftsprozess
What is Artificial Intelligence?
Learning Applying
1. Historical behavior Artificial Intelligence 2. Current behavior
Program that reacts
Machine Learning
Program using (historical)
data to learn reaction
Apply “pattern”
Deep Learning
Program using multilayer
neural networks
Make decisions
to learn behaviour
Understand the “pattern” Update “pattern”
Intern © Siemens 2019
Page 13 2020-05-27How to speak Machine Learning Intern © Siemens 2019 Page 14 2019-07-10 Sarah Osterburg | DI PA DE-L SWA DEV
How to speak Machine Learning
Classification
Supervised
Prediction of Binary: Multiclasses: Location of paper
Categories Mail – Spam? Butterfly? Bee? Bug? rips at production
Regression Prediction of Given location Predict
Color of LED in
continuous numeric predict home Remaining
dependence of e-
values price Useful Life
Clustering
Unsupervised
Discover Subtypes of Machine
User groups
patterns/groupings plant family modes/states
Dimensionality Choice of Pre-processing to Computer vision:
Reduction Extraction of
coordination increase model Detect area of
Features/Attributes
system robustness Interest
Intern © Siemens 2019
Page 22 2019-07-10 Sarah Osterburg | DI PA DE-L SWA DEVGarbage in, Garbage out – Limits of ML
Supervised Learning
• Label quality
• Bias at labelling, data collection
Data
Change
• Do I cover all cases and
Quality classes? (classification)
• Do I cover all time scales
and frequency? (time series)
Intern © Siemens 2019
Page 23 2020-05-27How to tell ML what you really want
Correctness Time Scale
• Accuracy, TP, FN – costs • Duration for detection/prediction
of failures (classification) • Stream or batch? (update rate)
• Reference system to • Duration of calculation
compete with?
Model
Performance
Implementation
Actions • Proof of concept
• Monitoring? • Single dashboard
• Recommendation? • Integration in existing system
• Automatic reaction • Hardware restrictions
Intern © Siemens 2019
Page 24 2020-05-27How to use Artificial Intelligence? Data Thinking!
Business Use Case Data Science Use Case
1. Define business problem Artificial Intelligence 1. Does it match to any type of
Program that reacts
ML problems?
Machine Learning
Program using (historical)
2. Define performance and data to learn reaction 2. Which error is more costly?
error limits Deep Learning
Define “good” enough
Program using multilayer
neural networks
to learn behaviour
3. Collect specific data and 3. Do we need more or different
ensure quality standards or better data?
Intern © Siemens 2019
Page 25 2020-05-27Sarah Osterburg
KI-Impulse
Find me on LinkedIn
Frei verwendbar © Siemens 2019
Seite 26 2019-07-10 Sarah Osterburg | DI PA DE-L SWA DEVPause bis 13:30
Smart Machine Assistant
Eine selbstlernende Lösung zur
Ermittlung optimaler
Maschineneinstellungen in
komplexen Umgebungen
www.siemens.comKI hilft dem Maschinist Korrelationen, die zu optimalen Teilen
und der Vermeidung von Ausschuss führen, zu erkennen
Transformation der
Verbindung der Analyse der Handlungs-
Daten zur
Maschine mit Daten mit einem empfehlungen für
Erreichung optimaler
MindSphere KI-Modell den Maschinist
Resultate
Service Automatisiert
www.siemens.comVoraussetzung ist die ausreichende Verfügbarkeit von Daten
Datenart Beschreibung Beispiele bei einer Presse
Randbedingung Eine Variable, welche den Temperatur, Luftfeuchtigkeit in
Prozess beeinflusst und nicht der Fabrik, zu produzierendes
vom Maschinist geändert Teil
werden kann
Maschineneinstellung Eine Variable, welche vom Druck im Hyraulikzylinder,
Maschinist festgelegt werden Vorbeschleunigung des
kann Stempels
Ergebnis Variablen, die messen, ob die Qualitätsklassifizierung des
Kombination aus produzierten Teils
Randbedingungen und
Zeitreihen-
daten Maschineneinstellungen zu
einem guten oder schlechten
Ergebnis geführt haben
Anmerkung: Die Menge der benötigten Datenpunkte hängt vom spezifischen Produktionsprozess ab und muss
im Rahmen des Trainings des Algorithmus bestimmt werden
www.siemens.comTransformation der Daten von der Erhebung bis zur
Visualisierung
Produktions Zweitreihen- Transformation ID Serien- Analytik Einstellungs Visualisierung
-daten daten Daten -empfehlung
Auswahl der Daten Speicherung Zeitreihen zu ID-Serien Speicherung als Training des Erstellung eines Regelmäßige
CSV Dateien neuronalen Vorschlags für den Berrechnung von
• Messung • Eliminierung von • Konsolidierung und
mittels eines IoT Netzes Maschinenbediener neuen Vorschlägen
verschiedener asynchronem Norminalisierung
File Services im auf Basis der auf Basis der
Variablen an Verhalten
Tenant des Kunden analytischen momentanen
verschiedenen
Auswertung Meßwerte und des
Systemen
aktuellen Modells
• Keine
Zeitsynchronisation
• Daten mit hoher
und niedriger
Auflösung
www.siemens.comGrundprinzip für das Training und die Anwendung von
Modellen des maschinellen Lernens
1. MindSphere sammelt kontinuierlich die relevanten Daten
2. SMA nutz Techniken des maschinellen Lernens um ein Modell
(=neuronales Netz) zu trainieren: Keras, TensorFlow, SENN
3. Das Modell berechnet basiert auf den Randbedingungen und
Maschineneinstellungen einen numerischen Wert für die
Qualitätsklassifizierung Optimaler
Parameter-
4. SMA “sucht“ (z.B. Mittels iterativer Optimierungsalgorithmen) wert
alternative Maschineneinstellungen (für gegebene und feste
Randbedingungen) die zu einer besseren Qualität führen
5. Die optimalen Einstellungen werden in MindSphere gespeichert
Momentaner
6. Ein GUI stellt die Empfehlungen intuitiv für den Maschinist dar Parameter-
wert
www.siemens.comEmpfehlungen: Das “Operator Dashboard”
vermittelt klare Empfehlungen
Der Druck im
Zylinder 3 sollte
unmittelbar auf 135
bar erhöht werden
Der Druck im Empfehlungen für
Zylinder 4 sollte weitere
unmittelbar auf 180 Anpassungen
bar reduziert werden
www.siemens.comBeispielhafte Verbesserungen die für
eine Presse erzielt werden können
Erhöhung der
7% Maschinenleistung
10% Verbesserung der Qualität
Reduktion von
20% Nichtkonformitätskosten
www.siemens.comChristian Engel
KI-Lösungen
Find me on LinkedIn
Alexander Epple
KI-Lösungen
Find me on LinkedIn
www.siemens.comwww.siemens.com
Sie können auch lesen
