KI Use Cases in der Produktion: Lebensdaueroptimierung von Produktionsmitteln

Wegweiser an einem Ast an einer Landstraße mit der Beschriftung “Long Life”

Wie kann KI helfen, die Lebensdauer von Produktionsmitteln zu verlängern? Dieser Frage gehen wir in Teil 2 unserer Miniserie zu KI Use Cases in der Produktion nach. Jeder der vorgestellten KI Use Cases baut dabei auf den 4 Chancen zur Wertschöpfung mit KI in der Industrie auf.

Jeder Fertigungsvorgang benötigt eine Reihe von Produktionsmitteln. Einige Produktionsmittel sind sehr komplex und teuer, etwa Werkzeuge wie Spindeln, Walzen oder Gussformen. Mit zunehmender Nutzungsdauer verschleißen diese Produktionsmittel. Je nach Prozessführung, und damit Belastungsintensität, passiert das unterschiedlich schnell oder langsam.

Ab einem gewissen Verschleißgrad kann es zu Qualitätsproblemen an den gefertigten Werkstücken oder auch zu Rissen und Verformungen an den Werkzeugen kommen, schlimmstenfalls sogar zu Schäden an der Maschine.

KI kann dabei helfen, erhöhten Produktionsmittelverschleiß frühzeitig zu erkennen und durch Anpassung der Prozessführung zu verlangsamen. In kritischen Fällen kann die KI einen Stopp des Fertigungsprozesses veranlassen bzw. eine Wartung oder einen Tausch des Werkzeugs anfordern.

Sensorik und ein Monitoring-System ebnen der KI den Weg

Ausgangspunkt für die KI-Entwicklung ist ein KI-tauglicher Datenbestand. Im Produktionskontext wird dieser Datenbestand üblicherweise über ein oder mehrere Monitoring-Systeme erzeugt, womit Zustände von Produktionsmitteln und Anlage in Echtzeit erfasst und die Daten für weitere Auswertungen zugreifbar gemacht werden können. Für die Lebensdaueroptimierung ist häufig zunächst eine Ausstattung des Fertigungssystems bzw. der Produktionsmittel mit zusätzlicher Sensorik erforderlich, um Daten zu erzeugen, aus denen sich Rückschlüsse auf den Zustand eines Produktionsmittels ableiten lassen.

Stufe 1: KI-Erkennung

In dem erzeugten Datensatz kann eine Erkennungs-KI nach Mustern im Verlauf von Verschleißprozessen suchen und diese in Abhängigkeit von Prozessdaten und Prozesseinstellungen betrachten. Die Ergebnisse können Anlagenbediener:innen in Form eines Hinweissystems zur Verfügung gestellt werden, das sich immer dann meldet, wenn sich das aktuelle Verschleißmuster in einem kritischen Bereich befindet.

Stufe 2: KI-Diagnose

Im nächsten Schritt deckt eine Diagnose-KI Wirkungszusammenhänge auf, indem Verschleißmuster mit den zugrunde liegenden Prozessdaten und Prozesseinstellungen, insbesondere auch Soll-Ist-Abweichungen, in Verbindung gebracht werden. Bei der Diagnose können auch Qualitätskriterien der Werkstücke mit betrachtet werden, sofern diese in Echtzeit verfügbar sind.

Als Besonderheit gegenüber herkömmlichen Ansätzen erlernt die KI dabei das Regelwerk der unterliegenden Wirkungsketten rein auf Datenbasis, d.h. ohne dass sie jemals eine explizite Regel vorgegeben bekommen hat.

Die Form, in der eine KI implizit erlernte Regeln speichert und ausgibt, ist für Menschen häufig nicht zu verstehen, da sich in den seltensten Fällen einfache “Wenn X, dann Y” Beziehungen ergeben. KI-Diagnosen können somit für den Menschen durchaus unbefriedigend sein. aiXbrain arbeitet daher intensiv an menschzentrierter KI, die unter anderem für Menschen verständliche Erklärungen liefert.

 

CTA KI-Readiness Checkliste

 

Stufe 3: KI-Vorhersage

Eine Vorhersage-KI dreht die in der KI-Diagnose erlernten Regeln nun zeitlich um und wandelt beobachtete Prozessdaten, Prozesseinstellungen und den aktuellen Produktionsmittelzustand in voraussichtliche Verschleißverläufe um. Damit lässt sich mit Vorlauf erkennen, wann in der Zukunft es aufgrund welcher aktuellen Verschleißmuster und Prozesseinstellungen kritisch wird für den Zustand von Betriebsmittel, Anlage und ggf. Werkstückqualität.

Die Ergebnisse können in einem Informationssystem für Anlagenbediener:innen und Produktionsplaner:innen verwertet werden. Hier gibt es für jedes Produktionsmittel eine Prognose der zu erwartenden Restlebensdauer sowie eine Liste der Merkmale, die die KI für Ihre Einschätzung heranzieht. Wenn es kritisch wird, kann die KI proaktiv eine Wartung oder einen Tausch anfordern oder sogar den Stopp des Fertigungsprozesses empfehlen.

Stufe 4: KI-Steuerung

In der letzten Ausbaustufe unterbreitet eine Steuerungs-KI aktiv Vorschläge für die Lebensdaueroptimierung der Produktionsmittel. Wenn eine KI genügend viele Einstellung-Verschleiß-Paare gesehen hat, kann sie eigenständig Rückschlüsse darauf ziehen, welche Anpassung der Prozesseinstellungen zu welcher Änderung im Verschleißmuster führt. Prognostiziert die Vorhersage-KI also, dass der aktuelle Verschschleißverlauf bei gleichbleibenden Prozesseinstellungen zu einer verkürzten Lebensdauer führen wird, kann die Steuerungs-KI einen Einstellungsvorschlag für den Prozess unterbreiten, der das aktuelle Verschleißmuster bricht bzw. den Verschleiß proaktiv verlangsamt.

Mehrwert von KI für die Lebensdaueroptimierung von Produktionsmitteln

Die Lebensdauern aller Produktionsmittel im Blick zu halten und darüber hinaus ihre Lebensdauer zu optimieren ist eine manuell nicht zu bewältigende Aufgabe. Das Vermeiden von beschleunigtem Verschleiß ist ohne ein umfassendes Verständnis der Wirkungsketten nicht möglich.

KI in ihren verschiedenen Einsatzformen bringt Licht in die Ecken, in die der Mensch aktuell nicht sehen kann und ermöglicht somit nachhaltige Verbesserungen in der Prozessführung.

Für den Einsatz im Tagesbetrieb kann KI-Technologie in Form eines oder mehrerer KI-Assistenten zur Verfügung gestellt werden. Damit erhalten Anlagenbediener:innen ein mächtiges Werkzeug, welches sie befähigt, in Zusammenarbeit mit der KI komplexe Herausforderungen in der Prozessführung zu meistern. aiXbrain legt hohen Wert darauf, solche hybriden Intelligenzsysteme zu etablieren, in denen sich Mensch und KI kollaborativ ergänzen.

 

CTA KI-Readiness Checkliste