In heutigen Prozessabläufen werden zunehmend neue Technologien eingesetzt, die eine immer größer werdende Menge an Prozess- und Produktdaten generieren. Diese Informationen werden bereits in diverse Systeme eingespeist und den Nutzern zur Verfügung gestellt, allerdings nicht in ausreichendem Umfang genutzt. Process Analytics kann im Kontext von Industrie 4.0 in heutigen Anwendungen weiter ausgebaut werden - so kann ein Mehrwert aus der Integration verschiedener Datenformate generiert werden, indem zusätzliche Informationen zur Optimierung von Prozessen genutzt werden.
In der Automobilindustrie gestaltet sich die Testphase neuer Produkte aufgrund des hohen Kostendrucks, vermehrten Technologiewechseln und kürzeren Markteinführungszeiten als immer schwieriger - zwar bestehen in den einzelnen Domänen bereits Möglichkeiten der Fehleranalyse und des Status-Monitorings, allerdings mangelt es an einem domänenübergreifenden System für komplexe Prozesse. Auftretende Unregelmäßigkeiten innerhalb des Produktlebenszyklus eines Produktes werden verspätet erkannt, sodass nur noch reaktive Maßnahmen ergriffen werden können. Das kann geringe Auswirkungen, wie beispielsweise eine geringe Menge an Ausschuss, aber auch größere Schäden zur Folge haben. Ein Beispiel hierfür wäre der Einbau eines fehlerhaften Bauteils in ein Fahrzeug, das an den Kunden übergeben wurde.
Zur Lösung der oben beschriebenen Problematik soll ein Tool auf Basis von Künstlicher Intelligenz (KI) entwickelt werden, das ein domänenübergreifendes Status-Monitoring und eine inhärente Prozessoptimierung ermöglicht – dies soll über den gesamten Produktlebenszyklus erfolgen. Anomalieerkennung, Fehleranalyse und Ursachenidentifikation sollen dabei helfen, die Produktion fehlerbehafteter Produkte einzugrenzen und mögliche Schäden zu minimieren. Um das Vertrauen des Anwenders in das System zu stärken, sollen dem Qualitätsingenieur mithilfe von Methoden der Erklärbaren KI (XAI) die Ergebnisse verständlich dargestellt werden.
Partner
IAV GmbH
