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)
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
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 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