1.
www.t-h.de
info@t-h.de
KI-Anwendungen in Produktion und
Qualitätssicherung am Beispiel einer
End-of-Line-Prüfung
Markus Schäfer
Head of Discovery & Innovation

2.
4
Was kann Künstliche Intelligenz leisten?
30/11/22
• Flexibilität & Transferleistung
• Empathie & Kreativität
• beliebige Aspekte einbeziehen
• Fach- / Kontextwissen
Lösung hängt von
Fähigkeiten ab.
Menschliche Intelligenz

3.
5
Was kann Künstliche Intelligenz leisten?
30/11/22
[1]

4.
6
Was kann Künstliche Intelligenz leisten?
30/11/22
• Flexibilität & Transferleistung
• Empathie & Kreativität
• beliebige Aspekte einbeziehen
• Fach- / Kontextwissen
Lösung hängt von
Fachkenntnis ab.
Menschliche Intelligenz Maschinelle Intelligenz
• Muster in Daten erkennen
• Wahrscheinlichkeiten berechnen
• Konsistenz
• schnell & effizient
Lösung hängt von
Daten(qualität) ab.
Lösung wird für ein konkretes Anwendungsproblem gefunden!

5.
7
Was kann Künstliche Intelligenz leisten?
30/11/22
• Löst Probleme, die wir bereits
verstanden haben und die man
mathematisch beschrieben kann.
Regelbasierte Programmierung
• KI löst Probleme, für die es genug Daten
gibt, um das Problem zu beschreiben.
• Daten sollten einen (statistisch) kausalen
Zusammenhang mit der Lösung haben.
Künstliche Intelligenz

6.
Künstliche Intelligenz
8
t
Künstliche Intelligenz (KI)
Software die menschliches
Verhalten nachahmt
Deep Learning (DL)
Spezielle Maschinelle
Lernmethoden, die auf
Neuronalen Netzen
basieren
Machine Learning(ML)
Algorithmen die von Daten lernen
Ein Programm, das fühlen,
denken, handeln und sich
anpassen kann (wie Menschen)
Algorithmen,
die spezifische Probleme
mithilfe von Daten lösen

7.
Die wichtigsten Methoden des maschinellen Lernens
Und es werden immer mehr …
9
2
1 3

8.
10
Wo kann ich ML in der Produktion sinnvoll einsetzen?
30/11/22
Prozessüberwachung Prozessoptimierung Prozesssteuerung
Ursachenanalyse und
Entscheidungshilfe
Prozessüberwachung
+ Business Kontext
+ Analysetools
Anpassung der Strategie
auf veränderte
Bedingungen
Prozessoptimierung
+ Reaktionsfähigkeit der
Linie/Systeme
Supervised Methoden
Unsupervised Methoden
Reinforcement Learning Methoden
Situationserkennung und
vorausschauende
Informationen
von Steuerungen &
Sensoren
Input
Output

9.
12
Wo kann ich ML in der Produktion sinnvoll einsetzen?
30/11/22
Qualität & Wartung
(Intra-) Logistik
Produktionssteuerung
I n t e l l i g e n t e F a b r i k
Fehlererkennung mit
lernenden Algorithmen
Eventbasierte-Alarme &
Predictive Maintenance
Live Identification &
Stock Monitoring
Autonome
“forecast-based”
Transportrouten
Nutzung von Sensordaten
aus dem Shopfloor für die
Produktionssteuerung
“Real-Time”
Ressourcen-Planung
mit Agentensystemen

10.
14
Use Case | End-of-Line Prüfung eines Getriebemotors
Problemstellung: Funktionale Überprüfung auf korrekte Montage
30/11/22
ZIEL:
Zuverlässige Fehlererkennung um
Auslieferung fehlerhafter Bauteile zu vermeiden!
• Funktionstüchtigkeit des Bauteils
• Konformität mit der bestehenden Kundenbestellung
Prozess: Verzweigung im Wertstrom
• n.i.O -> Umleitung auf einen Reparaturplatz
• i.O. -> Motor hat die Endprüfung bestanden
Idee:
Analyse der Schwingungen mit ML

11.
15
ML Für die End-of-Line Prüfung: Eine gute Idee?
Ist das Problem prinzipiell für das maschinelle lernen geeignet?
30/11/22
Unsupervised
Learning
• Output: Darstellung von
“ähnlichen Geräuschen”
• Erkennen von Mustern & Gruppen
in unstrukturierten Daten
• Einsatz zur Ursachenanalyse
“Clustering”
Supervised
Learning
• Funktion, die von
Eingangsparameter auf
Ausgangsparameter abbildet
• Erkennen bekannter, jedoch nicht
eindeutig beschreibbarer Fehler
• Einsatz zur Ursachenanalyse
“Klassifizierung”
Semi-Supervised
Learning
• Autoencoder: Encoder + Decoder
bearbeiten Bild, Rekonstruktions-
Fehler als Kriterium zur Anomalie-
erkennung
• Erkennen jedweder Abweichung
vom bekannten „i.O.“
“Anomalieerkennung”

12.
VORGEHENSWEISE IN PROJEKTEN
CRISP-DM Ansatz
• Industrieübergreifender
Standard für Data-Mining,
bekannt als CRISP-DM, ist ein
offenes Standard
Prozessmodel, um Ansätze
von Data-Mining Experten zu
beschreiben. Es ist das am
weitesten verbreitete Analytics
Modell.
Daten
verstehen
Daten
vorbereiten
Modell
trainieren
Training &
Scoring
Modell
deployen DATA
2
3
4
5
6
Den Use Case
verstehen
1
BUSINESS
CONSULTING
SAP IMPLEMENTATION

13.
Make or Buy? | Sollte eigentlich einfach sein …
17

14.
Make or Buy? | Eigentlich …
18
??? Quietschgeräusch
???

15.
19
30/11/22
I n t e l l i g e n t e F a b r i k
KI-SERVICE
CONNECTIVITY
Montagelinie Getriebemotor
DMC
„Anomalie-Erkennung“-as-a-Service?
Porsche SOUNCE - Analyse von Körperschall als KI-Service

16.
INTELLIGENTES UNTERNEHMEN
INTELLIGENTE FABRIK
EoL-Test
SAP BUSINESS
TECHNOLOGY PLATTFORM
ERP ECC/S4HANA
CONNECTIVITY
LAYER
L0 - 2
PROCESS CONTROL,
SENSORS & ACTORS
L4
ENTERPRISE
BUSINESS
PROCESSES
& ANALYTICS
L3
MANUFACTURING
MANAGEMENT
PCo PLANT CONNECTIVITY
DMCe
DIGITAL MANUFACTURING
CLOUD
PORSCHE DIGITAL
CLOUD
SOUNCE
KI-SERVICE
Schritt x Schritt y
21
Integration in die bestehende Systemlandschaft?
30/11/22
MQTT
REST
VPN Tunnel

17.
22
30/11/22

18.
23
Use Case | End-of-Line Prüfung eines Getriebemotors
Ergebnis: Anomalie-Erkennung mittels KI-Service
30/11/22
Quantifizierbare Überwachung
Zuverlässige Fehlererkennung >96%
Geringere Qualitätskosten
Lückenlose Dokumentation
KI
KI-Service über vertikale
Integration in MES
Sensor
Komponente

19.
24
Erfahrungen & Fazit
30/11/22
• Cloud-2-Cloud Schnittstellen sind
durch Standard-APIs sehr schnell
integrierbar.
• Externe Services machen KI schnell
und unkompliziert verfügbar.
• Kein Aufbau einer eigenen
Machine Learning Infrastruktur
notwendig
• Kein Personalaufbau
• In Co-Innovation trotzdem
Know-How gewinnen.
DMC
IoT

20.
Kontakt
Trebing & Himstedt Prozeßautomation GmbH & Co. KG
All contents, in particular texts, photographs and graphics, are protected by copyright.
All rights, including reproduction, publication, editing and translation, are reserved.
Adresse
25
30.11.2022
Trebing & Himstedt Prozeßautomation
GmbH & Co. KG
Wilhelm-Hennemann-Str. 13
19061 Schwerin
Markus Schäfer
Head of Discovery & Innovation
mschaefer@t-h.de
+49 173 704 88 65