Motivation
Eine Voraussetzung für effiziente Produktionsprozesse ist die störungsfreie Verfügbarkeit und bestmögliche Auslastung der Kapazitäten vorhandener Produktionsanlagen. Um dies sicherzustellen, werden die Fertigungsprozesse kontinuierlich optimiert und die optimalen Zeitpunkte für die Maschinenwartung gesucht, um Ausfall- und Stillstandszeiten zu minimieren. Hier hat sich „Predictive Maintenance“ in den letzten Jahren zu einem wichtigen Trend entwickelt. Dabei geht es darum auf der Grundlage einer möglichst umfangreichen Datenbasis – vor allem Sensor- und Maschinendaten der Produktionsanlage – Vorhersagen für sich anbahnende Störungen, Qualitätseinbußen oder Ausfälle zu treffen, um so rechtzeitig vor Eintritt der tatsächlichen Störung entsprechende Wartungsintervalle einzuplanen. Verfahren und Algorithmen der Künstlichen Intelligenz (KI) und des maschinellen Lernens sind besonders geeignet, um Gesetzmäßigkeiten und auch Anomalien in umfangreichen Datenmengen zu erkennen. Jedoch steht die Entwicklung und Nutzung von KI-Anwendungen im Produktionsumfeld vor der Herausforderung, dass Daten in hinreichender Menge und vor allem aber auch in entsprechender Qualität zur Verfügung stehen, um repräsentative KI- basierte Vorhersagemodelle zu erhalten. Beispielsweise liefert eine weitgehend störungsfrei verlaufende Produktion über große Zeiträume hinweg kaum Daten, die für eine Vorhersage von möglichen Störungen dienlich sind.
Ziele und Vorgehen
Ziel des Projektes SyDaPro ist daher, synthetische „Produktionsdaten“ zu erzeugen, auf deren Basis die KI-basierten Vorhersagemodelle trainiert werden können. Ausgehend von vorhandenen Realdaten und physikalischem Vorwissen sollen mit stochastischen Methoden umfangreiche, künstliche (synthetische) Datensätze erzeugt werden, die realistische und repräsentative Merkmale sowie auch gezielt vorgegebene Anomalien aufweisen. Die Analyse und Adaption geeigneter Methoden und Algorithmen für die Erzeugung der synthetischen Daten ist die Kernaufgabe des Projektes. Während der Arbeit werden Best Practices abgeleitet. Der Nutzen der Projektergebnisse soll anhand von Demonstratoren gezeigt werden. Dies ist zum einen die Qualitätsprüfung Getriebemotoren und zum anderen die Optimierung von Produktionsabläufen durch verteilte Micro-Services (Reaktion auf Störungen in den Bereichen Markt, Operationen, Menschen, Logistik u. Qualität).
Innovationen und Perspektiven
Mit dem Projekt werden derzeit bestehende Hemmnisse für den breiteren KI-Einsatz im Produktionsumfeld adressiert. Für die Anwender erschließen sich neue Möglichkeiten, Ausfall- sowie Stillstandszeiten und damit auch Kosten zu reduzieren oder auch eine optimalere Prozessführung zu realisieren. Die Potenziale bieten sich insbesondere für die mittelstandsgeprägte Branche der Produktionsunternehmen an, die auf diese Weise in die Lage versetzt, Methoden der KI effektiv und effizient in Fertigungsprozessen einzusetzen. Durch die erwartete, gute Übertragbarkeit der Projektergebnisse ergibt sich ein hohes wirtschaftliches Potenzial für alle Unternehmen im verarbeitenden Gewerbe.