Siemens-Elektronikwerk Amberg: Künstliche Intelligenz optimiert Produktionsabläufe

Fortsetzung des Artikels von Teil 1.

Welche Alternative wurde gewählt?

Siemens Bildquelle: © Siemens

Um das Risiko von Cyber-Attacken auf die Netzwerkinfrastruktur zu minimieren, setzt das EWA auf eine individuelle Industrial-Security-Lösung.

Wir haben uns zur Erhebung von Daten und deren Auswertung entschlossen, um mittels künstlicher Intelligenz in Echtzeit eine Vorhersage zu erhalten, ob eine zusätzliche Prüfung eines bestimmten Bauteils nötig ist. Dazu haben wir zunächst Transparenz durch die Installation der richtigen Sensoren und die Automatisierung mit Totally Integrated Automation (TIA) geschaffen, um die Daten sehr einfach und standardisiert verfügbar zu machen, und dann diese etwa 40 verschiedenen Datensätze strukturiert, um sie verarbeitbar zu machen.

Es wurden Daten vom Lötpastendrucker, der Lötpasteninspektion, Pick & Place und der Automatic Optical Inspection (AOI) gesammelt und über das Siemens-TIA-Portfolio inklusive Controller, Edge-Device etc. in unser Cloud-System MindSphere übertragen. Dort wurde ein KI-Algorithmus auf Basis einer wesentlich leistungsfähigeren CPU und mehr RAM als bei einem lokalen PC trainiert.

Während der Einarbeitung des Algorithmus wurde das Modell in eine Edge-Anwendung überführt, die sich um die Datenerfassung und die Datenvorverarbeitung kümmerte und dann die Qualitätsvorhersage für die Leiterplattenproduktion garantierte.

In diesem Schritt wurde die Edge-Anwendung auf dem lokalen Edge-Device aus der Produktion eingesetzt, um die Daten lokal zu analysieren, ohne die Daten an die Cloud übertragen zu müssen. Die wichtigen Produktionsdaten bleiben also innerhalb des produktionskritischen Bereichs. Zu diesem Zeitpunkt war keine Interaktion mit der Cloud mehr erforderlich, sodass die Vorhersage in Echtzeit erfolgen konnte.

Das Ergebnis der Analyse, ob eine zusätzliche Prüfung per Röntgen notwendig ist oder nicht, wurde in das Manufacturing-Execution-System Simatic IT eingespeist, sodass es dann entscheiden konnte, ob es die Leiterplatte an den Röntgenapparat sendet oder nicht. Wenn das Röntgenbild übersprungen wurde, konnte der kostspielige Engpass vermieden werden.

Wir nennen diese lokale Interaktion mit dem Prozess „Closed-Loop-Analytics“, d.h. die Analyse der Daten und die Nutzung der Ergebnisse zur Optimierung des zugrunde liegenden Prozesses in Echtzeit. Unser KI-gesteuertes Modell sorgt für verlässliche Aussagen über die Fehlerwahrscheinlichkeit der Flachbaugruppen und damit einen optimierten Produktionsprozess.

Welche Vorteile ergeben sich für die Produktion noch aus der Datenauswertung?

Durch die Datenauswertung wurde Predictive Maintenance Realität, die den großen Kostenblock Betriebskosten erheblich minimiert. Bei der Produktion unserer Simatic-Produkte kommt eine Maschine mit Frässpindel zum Einsatz, die aufgrund des anfallenden Frässtaubes nicht immer reibungslos funktionierte.

Mein Team konnte zwei Parameter identifizieren, die offenbar mit den Ausfällen zusammenhingen. Diese Daten wurden in ein Edge-Gerät geladen, in dem ein vortrainierter Algorithmus in Echtzeit Zusammenhänge zwischen Auffälligkeiten der Prozessdaten und Ausfallzeiten erkennt und in die Produktion zurückspielt. Anlagenbediener werden nun zwischen 12 und 36 Stunden vor einem möglichen Systemausfall über die Situation informiert und können rechtzeitig handeln.

In Amberg arbeiten wir weiter an der Optimierung der maschinellen Lernabläufe in der Automatisierung, von der Datenerfassung, der Datenvorverarbeitung und dem KI-Training bis zur Modellbereitstellung. Mittlerweile trainieren wir Algorithmen kontinuierlich in der Cloud per MindSphere mit verschiedenen Produktionslinien.

Die durchgängige Digitalisierungsumgebung im EWA sorgt dabei für die erforderliche nahtlose Interaktion zwischen Automatisierung, Industrial Edge und Cloud-Computing.