Mit Künstlicher Intelligenz Fehler in der Produktion vorhersagen und deren Ursachen erkennen
Bei Produktionsabläufen passieren Fehler. Auch in sorgfältig eingestellten und gewarteten Anlagen entsteht immer mal wieder ein Produkt, das schadhaft ist, weil im Zusammenspiel der beteiligten Maschinen etwas nicht rund lief. Im Sinne des Qualitätsmanagements ist es für Unternehmen entscheidend herauszufinden, wo die Ursachen für solche Fehler liegen. Denn deren Vermeidung mindert die Herstellungskosten und macht wettbewerbsfähig. Manchmal kann schon eine kleine Temperaturänderung den Produktionsprozess zuverlässiger machen – aber das muss erst einmal herausgefunden werden.
Formel für Qualität
Das Zusammentragen und Auswerten von Qualitätsdaten, die diese Fehlersuche ermöglichen, ist meist aufwändig und mühsam. Viele Unternehmen werten ihre Produktionsdaten manuell aus, das heißt, Mitarbeitende untersuchen Daten mit einfachen Tabellen und Statistiken. Auch der Einsatz von Data Science zur Analyse dieser Daten erfordert ein großes Maß an Aufwand und Vorarbeit. Hier setzte das Forschungsprojekt „PREFERML“ an, das in den vergangenen dreieinhalb Jahren an der Hochschule Furtwangen von Prof. Dr. Holger Ziekow geleitet wurde. „Ganz kurz kann man die Idee des Projekts mit dieser Formel erklären“, sagt Ziekow: „KI + Mensch = Produktionsqualität“.
Abläufe bis ins Kleinste analysiert
Bei PREFERML gelang es Ziekow und seinem HFU-Team Künstliche Intelligenz einzusetzen, um Zusammenhänge in Produktionsprozessen zu erkennen, Fehler vorherzusagen und Fehlerursachen zu finden. Unternehmenspartner in dem Forschungsprojekt war die SICK AG, die in PREFERML Produktionsabläufe zur Herstellung von Sensoren bis ins Kleinste untersuchen ließ. „Das war keine leichte Aufgabe, denn dort gab es sowieso schon eine sehr, sehr niedrige Fehlerquote“, berichtet Prof. Ziekow. „Umso wichtiger war uns, mit unserer Software die diesen minimalen Ausfällen gegenüberstehenden riesigen Datenmengen genau auszuwerten.“ Gefördert wurde das Projekt PREFERML vom Bundesministerium für Bildung und Forschung.
Transparenz und Lerneffekt
Für das optimierte maschinelle Lernen „fütterte“ das Team um Ziekow die KI mit dem Domainwissen, das nur Fachpersonal haben kann, welches mit der Produktion vertraut ist. Mit diesem Wissen und Daten aus den Produktionslinien lernte die KI, welche Bedingungen eintreten müssen, damit es zum Fehler kommt. Mit Hilfe von Technologien des sogenannten automatischen Lernens (AutoML) wurden relevante Daten identifiziert und verschiedene Fehlerarten quasi auf Knopfdruck analysiert. „Natürlich ging es darum, proaktiv in der Lage zu sein, es gar nicht zu Fehlern kommen zu lassen“, so Ziekow. „Technisch haben wir dafür auch Big-Data-Lösungen mit eingebunden“, erklärt Ziekow, „und damit für die Anwendenden nicht völlig unerklärbar ist, was die KI da so macht, haben wir als ‚trust aspect‘ so genannte Explainable Artificial Intelligence eingebunden, also quasi ein MRT, mit dem man ins KI-Gehirn schauen kann, um zu verstehen, welche Faktoren da eine Rolle gespielt haben. Nachdem also zunächst die Maschine gelernt hat, kann im Anschluss der Mensch wieder von der Maschine lernen, wo etwas besser gemacht werden kann!“