Das Generieren von Erkenntnissen aus Rohdaten anstelle von strukturierten und kontextualisierten Daten stellte für vorhandene KI-Algorithmen und -Modelle bislang eine Herausforderung dar. Mit Algorithmen für maschinelles Lernen können Sensordaten jedoch in Echtzeit analysiert werden, um dem Menschen bisher ungenutzte Informationen bereitzustellen.
In der Branche kein unbekanntes Thema: Es ist eine herausfordernde Aufgabe, die Qualität der Produkte durchweg zu überwachen und ständig zu verbessern, insbesondere wenn eine kostengünstige Strategie mit hohem Volumen nicht durchführbar ist oder gesellschaftliche, umweltbezogene, energetische oder nicht verarbeitete materielle Einschränkungen bestehen. Marken bauen auf der Qualität ihrer Produkte auf und ihr Ruf hängt davon ab.
Normalerweise wird die Qualität kurz vor Ende des Produktionsprozesses einer Sichtprüfung unterzogen. Dies ist zeitaufwändig, fehleranfällig und im Allgemeinen zu spät, um die aktuelle Charge bei Bedarf nachzubessern. Könnten wir diesen Prozess beschleunigen und automatisieren, bei dem Menschen Informationen aus der realen Welt (z. B. das Vorhandensein eines Kratzers auf der Oberfläche) in gekennzeichnete, verwendbare Daten umwandeln (z. B.: Charge 834/Qualitätsstandard/Kratzer/Kratzerart/geschätzter Wert,…)?
Automatisierte QS-Systeme sind ohne KI unvollständig
Die Branche macht sich bereits die visuelle Erkennung zunutze, um die Prozessqualität zu verbessern; die Programme, deren Regeln von den Programmierern von Hand festgelegt werden, können jedoch nur eine geringe Anzahl klar definierter Probleme lösen. Die Nutzung roher, unverarbeiteter Big Data aus der realen Welt mit lernfähigen Algorithmen für neuronale Netzwerke würde den Unternehmen einen enormen Wettbewerbsvorteil in Form von Vorhersagequalität („wie hoch die endgültige Qualität sein wird“) und Vorgabequalität („Sie sollten diese Einstellungen verwenden, um Ihre Qualitätsziele zu erreichen“) verschaffen. Dabei würden Bildaufnahmen, Videos, Wärmeverteilung, Ton (wie Schwingungen, Oszillationen) und andere elektromagnetische Wellendaten verwendet werden.
„Ein Bild verdichtet eine große Menge an Informationen“, analysiert José Andrés García, Chief Operation Officer von Wizata. „Wenn Sie wissen wollen, wann ein Zylinder auf einem Förderband ausgetauscht werden muss, könnte Ihnen eine effiziente visuelle Analyse genau sagen, wann der richtige Zeitpunkt gekommen ist, anstatt zwei Jahre lang jede Sekunde den Aufwand zu verfolgen, der für die jeweilige Anlage aufgewendet wurde, sowie die Spannung über die Zeit, die zurückgelegte Strecke usw.“ Ebenso wenig ist es effizient, ein Industriegetriebe zu öffnen und zu inspizieren, während die gesamte Produktionslinie stillsteht, verglichen mit einer KI-Analyse einer Audioaufzeichnung des Geräts, die zum Erkennen zerlegt werden könnte, und bestimmte Probleme in der Ausrüstung zu verfolgen, ohne sie zu öffnen (z. B. Ausfall eines bestimmten Kugellagers, das in weniger als zwei Wochen ausgetauscht werden muss).
KI ist sinnvoll für den tatsächlichen Produktionsstatus, indem sie unvoreingenommene Rohdaten gründlich analysiert
Das Arbeiten mit Rohdaten verringert außerdem das Risiko der Verwendung eines voreingenommenen Datensatzes. „Je nach Anwendungsfall können wir eine Verbindung zu den Rohdaten der Sensoren herstellen und diese live analysieren, da Informationen vor der Speicherung verloren gehen, geändert oder komprimiert werden können. Es können sogar dann bessere Ergebnisse erzielt werden, wenn wir einen Datensatz mit 1 Jahr an Rohdaten anstelle von 10 Jahren gespeicherten aggregierten Daten verwenden.“
Autonomer Betrieb
Die automatische Analyse von Rohdaten ist eine Voraussetzung für einen autonomen Betrieb, bei dem der Mensch entweder zu langsam reagiert, um einen Vorfall zu vermeiden, oder bei dem er aufgrund elektromagnetischer Störungen und Strahlungen keine Maschinen aus der Nähe bedienen kann, z. B. in der Nähe von Fukushima Daiichi. „Sensoren können fühlen, was wir nicht fühlen und an Stellen gelangen, an die wir nicht gelangen können, zum Beispiel um Wärme in einem Ofen aufzeichnen“, fügt Franck Bettinger, Senior Data Scientist bei Wizata. „Die Verwendung von Computerprogrammen zur Anzeige und Analyse von Teilen sensorischer Daten, auf die wir keinen Zugriff haben, z. B. Röntgenstrahlen oder Infrarot, hilft bei der objektiven Beurteilung der Qualität einer Charge. Es ist nahezu unmöglich, eine allmähliche Farbänderung auf 2 km Spulen mit eigenen Augen wahrzunehmen: Ihr Gehirn würde jede Änderung automatisch ausgleichen.“
Sie wollen sich die Power Ihrer Produktionsdaten zunutze machen? Schauen Sie sich unsere ebooks mit fachkundigen Ratschlägen unserer Datenwissenschaftler und Dateningenieure an oder kontaktieren Sie uns, um Ihren Erkundungsworkshop zu buchen.
