Fähigkeiten: Fortgeschrittene

Seit der Gründung 1999 entwickelt sich LUIS zu einem führenden Hersteller für Kamera-Monitor- und Fahrassistenz-Systeme in Europa. Um sich verstärkt im Bereich intelligenter Systeme zu engagieren, beteiligt sich LUIS an der 2020 gegründeten LUVIS AI GmbH. Dritter beteiligter Partner ist die Stadtreinigung Hamburg AöR.

Die Stadtreinigung Hamburg versteht sich selbst als innovatives Unternehmen und ist stets auf der Suche nach neuen Ideen, um ihre Ziele umzusetzen. Bestes Beispiel hierfür ist das folgend vorgestellte Kooperationsprojekt, in welchem die Turbine eines Kehrfahrzeugs über einen auf dem Gehäuse verbauten Beschleunigungssensor überwacht wird. Herausforderungen des Kunden Durch den täglichen Einsatz der Großkehrmaschinen im Zweischichtbetrieb werden die Turbinen durch Fremdkörper und die Witterung stark verunreinigt und beschädigt. Aus diesem Grund war es das Ziel, ein Monitoring-System einzuführen, welches kontinuierlich den Turbinenzustand erfasst und frühzeitige Warnsignale erzeugt. Diese sollten wiederum optisch sowie akustisch dargestellt werden. Auf diese Weise sollen frühzeitig Unwuchten erkannt werden, sodass sie – je nach Verursachung – schnell und kostengünstig behoben werden können. Dies kann beispielsweise durch eine frühzeitige Reinigung erfolgen, die unter anderem durch eine innere Spülvorrichtung durchgeführt wird. Die Belastung der Turbinenlagerung soll dadurch auf ein Minimum reduziert werden. Lösung durch den Einsatz von KI Das Konzept sah den Transfer einer bereits existierenden Autoencoder- basierten Technik vor, die sich bei der Auswertung von akustischen Getriebe- oder Kugellager-Signalen bereits bewährt hatte. Die Daten werden lokal vorverarbeitet und per 4G-Verbindung an einen Server übertragen. Dabei werden die Dimensionen der Eingangsinformationen reduziert, um nur die wichtigsten oder den Durchschnitt der Informationen weiterzuleiten. Sobald der Autoencoder Abweichungen aus dem erwarteten Signal erkennt, erfolgt eine KI-basierte Klassifizierung anhand bekannter Störungen. Über einen dritten Schritt können kundenspezifisch einfach angelernte Signaturen weiteren Fehlern zugeordnet werden, ohne dass ein komplett neues Training der Klassifizierung oder der Autoencoder stattfinden muss. In Bezug auf die Hardware kommt ein 32-Bit-Microcontroller zum Einsatz, der mittels eines integrierten rauscharmen und breitbandigen AD-Wandlers im Zusammenspiel mit MEMS (engl. microelectromechanical system) Beschleunigungsaufnehmern eine ausgezeichnete Digitalisierung und Signalvorverarbeitung ermöglicht. Softwareseitig werden offene Lösungen im Bereich der Datenbanken und Machine-to-Machine-Techniken verwendet. Dabei ist das oberste Ziel, die aktuellen IT-Sicherheitsstandards zu berücksichtigen. Durch optimierte Software-Algorithmen wird eine hohe Performance auf moderater Hardware gewährleistet.

Das explizite Klassifizieren von Fehlern erfordert naturgemäß das Vorliegen bekannter Fehlerzustände während des operativen Betriebs. Dies impliziert eine der Kernentwicklung nachgelagerte Projektzeit, um die vom System erkannten Fehler einzelnen technischen Defekten eindeutig zuzuordnen. Die Hard- und Softwareentwicklung wurde in diesem Fall problemlos im vorgegebenen zeitlichen Rahmen abgeschlossen. Die Eignung der eingesetzten sensiblen und sehr kosteneffizienten MEMS-basierten Beschleunigungsaufnehmer kann bislang bestätigt werden.

Die Überwachung mechanischer Komponenten, die einem gewissen Verschleiß oder möglicher Fehlbenutzung unterliegen, wird zukünftig noch stärker durch die auftretenden operativen Kosten getrieben. Der Einsatz KI-basierter Monitoring-Lösungen verhindert den unvorhergesehenen Ausfall von Komponenten und ermöglicht deren Nutzung über eine deutlich längere Betriebszeit gegenüber einer intervallbasierten Wartungsstrategie. LUIS sieht somit eine hohe Optimierbarkeit in den zeit- und kostenintensiven Wartungsprozessen. Mittels KI und der Anwendung kontinuierlicher Monitoring-Prozesse, wird die Wartungsgüte signifikant erhöht. Eine vorbeugende Wartung durch unnötigen Komponententausch mit dem einhergehenden Maschinenstillstand wird auf ein Minimum reduziert. KI-Techniken qualifizieren sich insbesondere für den Einsatz an Systemen, deren komplettes Frequenzverhalten dem Nutzer nicht bekannt ist. Das Erkennen von Wartungsproblemen muss somit keine Experteneinschätzung mehr sein.

Die atlan-tec Systems GmbH hat sich auf den technologischen Bereich von Digitalisierung und Big Data spezialisiert. Dabei profitiert es von einer mehr als 28-jährigen Kompetenz und Fachexpertise im Umfeld internationaler Großindustrieprojekte. Gleichzeitig wird zunehmend der wachsende Digitalisierungsbedarf im mittelständischen Sektor gesehen, den atlan-tec auf dem Weg zur digitalen Transformation begleitet.

Folgendes Praxisbeispiel bezieht sich auf ein konkretes Anwendungsszenario bei der Rohrproduktion. Um die Vernetzungsdichte des Materials bestimmen zu können, ist eine Probeentnahme erforderlich. Da die Laboranalyse im Schnitt 24 bis 48 Stunden dauert, kann diese nur einmal täglich durchgeführt werden. Das bedeutet, dass die in dieser Zeit produzierten Rohre nicht an Kunden ausgeliefert werden können, bis ein positives Laborergebnis vorliegt. Im Falle einer fehlerhaften Vernetzungsdichte werden die Rohre nicht ausgeliefert. Das kann eine Produktion von bis zu 4.000 m Ausschuss bedeuten. Durchschnittlich führt dieser Rohrproduktionsprozess zu einer Ausschussrate von 10 % bis 20 %, die auf eine zu große Verzögerung zwischen Produktion und Qualitätskontrolle sowie eine fehlende Echtzeit-Analyse zurückzuführen ist.

Eine genaue Vorhersage der Laboranalyse kann ein sofortiges Eingreifen in den Fertigungsprozess ermöglichen und die Produktion von weiterem Ausschuss vermeiden. Dafür ist zunächst das Training eines neuronalen Netzes notwendig: Gesammelte Produktions- (Dosierungen, Temperaturen, Druckwerte, Drehmomente etc.) und Labordaten (Vernetzungsdichte des Materials) bilden die Datenbasis dafür. Diese werden in eine Datenbank eingespeist und als Trainingsset für das neuronale Netz verwendet. Die Kosten belaufen sich in diesem konkreten Szenario auf etwa 35.000 €. Anschließend wird das trainierte neuronale Netz als Prädiktor der Vernetzungsdichte in den Produktionsprozess mit aufgenommen. Für die Implementierung und weitere Aufwände fallen Kosten in Höhe von etwa 25.000 € an.

Durch die Implementierung des trainierten neuronalen Netzes in den Produktionsprozess kann die Vernetzungsdichte nach aktuellem Stand minütlich mit einer Genauigkeit von 98,5 % vorhergesagt werden. Die Zeitverzögerung zwischen Produktion und Qualitätskontrolle wird somit minimiert und das Personal kann bei Abweichungen der Vernetzungsdichte sofort in den Produktionsprozess eingreifen, ohne dass weiterer Ausschuss produziert wird. Endergebnis, insbesondere relevant im Hinblick auf die Ressourceneffizienz, ist eine deutliche Reduzierung der Ausschussrate. Nach weniger als sechs Monaten hat sich das Projekt auch finanziell amortisiert.

Im Unternehmen Sensitec GmbH werden u. a. magnetoresistive Sensoren für Weg-, Winkel-, Feld- und Strommessungen produziert. In der Phase der Produktentwicklung werden benötigte Produktmuster zunächst virtuell entwickelt und simuliert, bevor sie erstmals gefer-tigt werden. Die virtuelle Simulation des Musters wird mit den Kund*innen abgesprochen, um bereits vor der ersten Fertigung des Musters mögliche Änderungen in das digitale Modell zu integrieren. Dafür reicht die Fertigung eines Produktmusters oft aus. Vor Einfüh-rung der Anwendung war die Fertigung der Muster notwendig, um den Kund*innen das Produktmuster zu präsentieren. Bei möglichen Änderungswünschen wurde das Muster an die Änderungen ange-passt, gefertigt und den Kund*innen erneut vorgestellt. Dadurch mussten oftmals mehrere Prototypen gefertigt werden.

Die Julius Zorn GmbH (Juzo) entwickelt und fertigt Produkte für die Kompressionstherapie und Orthopädie auf dem neuesten Stand der Forschung und Technik. Die individuellen Anforderungen und Wünsche der Kunden werden mithilfe von Technologien, wie beispielsweise computergesteuerten Strickmaschinen und digital gesteuerten Näh- und Farbmaschinen, umgesetzt.

Eine Herausforderung ist die Erstellung verwertbarer Forecast-Zahlen, die eine praktische Anwendung für die betriebliche Ressourcenplanung finden und so maßgeblich zur Senkung der Kapitalbindung oder zu Kosteneinsparungen beitragen. Durch eine Potenzialanalyse hat sich ergeben, dass ein sehr großes Einsparpotenzial bei der Lagerhaltung und Produktionsplanung existiert, da diese Bereiche bisher ohne Zeitreihenanalyse geplant wurden. Über eine mit einem ForecastAlgorithmus gepaarte professionelle Zeitreihenanalyse, eine Planung des betrieblichen Ressourceneinsatzes (Mensch, Maschine, Material) im Bereich der Lagerhaltung und eine Produktionsplanung sollen die in der Vergangenheit existierenden Unterschiede zwischen Soll- und Ist-Zahlen minimiert und damit die Aussagekraft zukünftiger Planungen optimiert werden.

Durch eine Algorithmus-basierte Zeitreihenanalyse vergangener Verkaufszahlen kann ein monatlich rollierender Forecast mit hoher Genauigkeit erstellt werden. Dabei werden Open-Source-Lösungen genutzt, um die Herausforderung zu lösen. Zum Einsatz kommen die Programmiersprache R und die etablierte Bibliothek FPP2/FPP3 (Forecasting: Principles and Practice), welche professionelle Zeitreihenanalysen und ForecastModelle beinhaltet.

Durch die Verwendung der Daten aus dem Forecast ist die Material- und Produktionsplanung sehr präzise möglich. Bei der Planung der notwendigen betrieblichen Ressourcen kann schnell auf Trends und saisonale Veränderungen reagiert werden, da diese in den ForecastModellen sichtbar gemacht und so in der Planung berücksichtigt werden können. Die Verwendung der Programmiersprache R und des Pakets FPP3 sowie der Einsatz eines Algorithmus ermöglichen die automatisierte Erstellung des Forecasts, der durch mehrere graphische Analysemöglichkeiten der Zeitreihen und Forecast-Modelle ergänzt wird. Diese helfen zusätzlich bei der Ressourcenplanung und führten dazu, dass u.a. die Lagerbestände um 12% gesenkt werden konnten.