AI in Metrology
Big Data Analysen für Predictive Control in der Fertigungsüberwachung
Ein neuer Ansatz belegt, dass Artificial Intelligence in der Fertigungsüberwachung, gepaart mit der dynamischen Festlegung der aktuellen Prüfschärfe, einen Großteil an Anlageninvestition spart und Potenzial für eine Steigerung der Effizienz moderner Fertigungsüberwachungsanlagen zeigt.
Bild: Roland BeyerDie flächendeckende 100-Prozent-Überwachung der Fertigungsqualität ist der Wunsch jedes Betreibers komplexer Produktionsprozesse. In der Regel stehen einer solchen globalen Lösung zwei Punkte im Weg.
Bild: Roland Beyer
Bild: Roland BeyerWeniger Messroboter, gleiche Ergebnisse
Bei gleichbleibender Informationsdichte ist der folgende Ansatz zur Reduktion der Investition möglich und wurde bereits erfolgreich in der Praxis erprobt. Man reduziert die Anzahl der Messroboter auf ein Drittel und programmiert im Rahmen der Inbetriebnahme pro Roboter die dreifache Menge erreichbarer Messpunkte. Im späteren Messbetrieb läuft folgende taktgebundene Prozedur ab. Durch statistische Methoden und den Einsatz von AI überwacht und bewertet die dynamische Messzelle (Bild 2) das Gesamtsystem in der Onlinebewertung der Prozessregelkarten (1) kontinuierlich die Messergebnisse und den Trend. Ein Prüfplanmanager (2) steuert die kommenden Messabläufe. 48 Messpunkte stehen pro Messroboter zur Verfügung. Wegen der begrenzten Taktzeit von nur 50 Sekunden werden 16 Messpunkte mit der höchsten Priorität ermittelt und in einer Messpunktliste dem Messsystem (3) angeboten. Damit steht fest, welche Punkte im kommenden Takt gemessen und welche ausgelassen werden. Diese Liste ist temporär dynamisch und wird für jeden kommenden Takt neu berechnet. Sie setzt sich aus folgenden typisierten Merkmalen, mit entsprechender prozentualer Häufigkeit (Prüfschärfe) der Messung, zusammen:
- • prozesssichere Punkte - Prüfschärfe 10 Prozent
- • auffällige Punkte - Prüfschärfe 20 Prozent
- • kritische oder sicherheitsrelevante Punkte und Ausreißer - Prüfschärfe 100 Prozent
Im Bild 1 sind Regelkarten zu typischen Prozessverläufen dargestellt, die der Onlinebewertung und damit einer Dynamisierung unterliegen. Der Anlagenbetreiber kann diesen Automatismus anhand der Regelkarten, die pro Messpunkt geführt werden, verfolgen. Parallel zu der dynamischen Steuerung der Messumfänge wird der Betreiber vom System durch ein Ton- oder Lichtzeichen informiert, sobald sich ein auffälliger Trend einstellt. Somit kann er durch gezieltes Beobachten und frühes Eingreifen in den Fertigungsablauf eine drohende Toleranzüberschreitung und späteren Q-Stopp verhindern. Für die Onlinebewertung der Prozessregelkarten wurden die im Bild 3 dargestellten Modelle erfolgreich in der Praxis erprobt.
Fazit
Die oben beschriebene Analgenkonfiguration wurde im Rahmen eines Pilotversuchs aufgebaut und im begleitenden Serienbetrieb erfolgreich getestet. Damit ist ein erster Schritt in der Anwendung der Artificial Intelligence zur Fertigungsüberwachung gegangen. Eine deutliche Einsparung an Anlageninvestition und die Steigerung der Effizienz solcher Fertigungsüberwachungsanlagen wird sich in einer flächendeckenden Anwendung dieser Technologie zeigen.
Kontakt Mobil: 0151 14277 639
Bild: Roland BeyerWeniger Messroboter, gleiche Ergebnisse
Bei gleichbleibender Informationsdichte ist der folgende Ansatz zur Reduktion der Investition möglich und wurde bereits erfolgreich in der Praxis erprobt. Man reduziert die Anzahl der Messroboter auf ein Drittel und programmiert im Rahmen der Inbetriebnahme pro Roboter die dreifache Menge erreichbarer Messpunkte. Im späteren Messbetrieb läuft folgende taktgebundene Prozedur ab. Durch statistische Methoden und den Einsatz von AI überwacht und bewertet die dynamische Messzelle (Bild 2) das Gesamtsystem in der Onlinebewertung der Prozessregelkarten (1) kontinuierlich die Messergebnisse und den Trend. Ein Prüfplanmanager (2) steuert die kommenden Messabläufe. 48 Messpunkte stehen pro Messroboter zur Verfügung. Wegen der begrenzten Taktzeit von nur 50 Sekunden werden 16 Messpunkte mit der höchsten Priorität ermittelt und in einer Messpunktliste dem Messsystem (3) angeboten. Damit steht fest, welche Punkte im kommenden Takt gemessen und welche ausgelassen werden. Diese Liste ist temporär dynamisch und wird für jeden kommenden Takt neu berechnet. Sie setzt sich aus folgenden typisierten Merkmalen, mit entsprechender prozentualer Häufigkeit (Prüfschärfe) der Messung, zusammen:
- • prozesssichere Punkte - Prüfschärfe 10 Prozent
- • auffällige Punkte - Prüfschärfe 20 Prozent
- • kritische oder sicherheitsrelevante Punkte und Ausreißer - Prüfschärfe 100 Prozent
Im Bild 1 sind Regelkarten zu typischen Prozessverläufen dargestellt, die der Onlinebewertung und damit einer Dynamisierung unterliegen. Der Anlagenbetreiber kann diesen Automatismus anhand der Regelkarten, die pro Messpunkt geführt werden, verfolgen. Parallel zu der dynamischen Steuerung der Messumfänge wird der Betreiber vom System durch ein Ton- oder Lichtzeichen informiert, sobald sich ein auffälliger Trend einstellt. Somit kann er durch gezieltes Beobachten und frühes Eingreifen in den Fertigungsablauf eine drohende Toleranzüberschreitung und späteren Q-Stopp verhindern. Für die Onlinebewertung der Prozessregelkarten wurden die im Bild 3 dargestellten Modelle erfolgreich in der Praxis erprobt.
Fazit
Die oben beschriebene Analgenkonfiguration wurde im Rahmen eines Pilotversuchs aufgebaut und im begleitenden Serienbetrieb erfolgreich getestet. Damit ist ein erster Schritt in der Anwendung der Artificial Intelligence zur Fertigungsüberwachung gegangen. Eine deutliche Einsparung an Anlageninvestition und die Steigerung der Effizienz solcher Fertigungsüberwachungsanlagen wird sich in einer flächendeckenden Anwendung dieser Technologie zeigen.
Kontakt Mobil: 0151 14277 639
Roland Beyer
Dieser Artikel erschien in inVISION 2 2019 - 25.04.19.Für weitere Artikel besuchen Sie www.invision-news.de
