Description: 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.
Types:
Text {
text_type: Editorial,
}
Origin: /Bund/BMUV/VDI-Zentrum Ressourceneffizienz
Tags: Digitalisierung ? Szenario ? Qualitätsmanagement ? Digitale Transformation ? Big Data ? Dosis ? Produktionstechnik ? Datenbank ? Ressourceneffizienz ?
License: all-rights-reserved
Language: Deutsch
VDI ZRE (2021): Potenziale der schwachen künstlichen Intelligenz für die betriebliche Ressourceneffizienz [abgerufen am: 05.07.2022], verfügbar unter:
https://www.ressource-deutschland.de/fileadmin/user_upload/1_Themen/h_Publikationen/Studien/VDI-ZRE_Studie_KI-betriebliche-Ressourceneffizienz_Web_bf.pdf (PDF)Accessed 1 times.