KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess

Die Seite wird erstellt Elias Schreiner
 
WEITER LESEN
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
KI-BASIERTE DIGITALE
HELFER ZUR OPTIMIERUNG
DER PRODUKTION

30. Juni 2020
SOLVE2GETHER – Lösungsforum für Geschäftsprozess
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - 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)
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
Claus Cremers
Co-Creation

Find me on LinkedIn
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
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.
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
Qualität wird in der Produktion vielfach
beeinflusst …

   Mitarbeiter      Maschine          Material       Umgebung

  Qualifikation    Performance    Zusammensetzung    Temperatur

   Erfahrung         Zustand          Festigkeit    Luftfeuchtigkeit

                                    Dimensionen
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
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
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
Themenschwerpunkt:
KI-basierte digitale Helfer

       Ziel:
        Eine selbstlernende Lösung zur
        Ermittlung optimaler
        Maschineneinstellungen in
        komplexen Umgebungen
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
Alexander Epple
KI-Lösungen

Find me on LinkedIn
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
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
KI-BASIERTE DIGITALE HELFER ZUR OPTIMIERUNG DER PRODUKTION - Juni 2020 SOLVE2GETHER - Lösungsforum für Geschäftsprozess
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 Tag
Christian 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            2020-05-27
How 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 DEV
Garbage 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            2020-05-27
How 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            2020-05-27
How 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            2020-05-27
Sarah Osterburg
                                 KI-Impulse

                                 Find me on LinkedIn

Frei verwendbar © Siemens 2019
Seite 26           2019-07-10                          Sarah Osterburg | DI PA DE-L SWA DEV
Pause bis 13:30
Smart Machine Assistant

          Eine selbstlernende Lösung zur
          Ermittlung optimaler
          Maschineneinstellungen in
          komplexen Umgebungen

                                           www.siemens.com
KI 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.com
Voraussetzung 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.com
Transformation 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.com
Grundprinzip 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.com
Empfehlungen: 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.com
Beispielhafte Verbesserungen die für
eine Presse erzielt werden können
                   Erhöhung der
         7%        Maschinenleistung

      10%          Verbesserung der Qualität

                   Reduktion von
      20%          Nichtkonformitätskosten

                                    www.siemens.com
Christian Engel
KI-Lösungen

Find me on LinkedIn

Alexander Epple
KI-Lösungen

Find me on LinkedIn

                      www.siemens.com
www.siemens.com
Sie können auch lesen