USE CASE Industrielles maschinelles Lernen und Cloud in der Fertigung AWS re:Invent

USE CASE Industrielles maschinelles Lernen und Cloud in der Fertigung

Eines meiner Lieblingsprojekte ist auch ein wunderbarer Anwendungsfall, um zu analysieren, ob die Industrial Cloud machbar ist. Mit meinem Hintergrund in der Automobilindustrie und der industriellen Automatisierung sollte es keine Überraschung sein, dass sich dies auf die Herstellung von Autoteilen bezieht. Nachdem ich als Analyst bei AWS re:invent eingeladen war, wo ich mich auf industrielles maschinelles Lernen und Cloud in der Fertigung konzentriert habe, möchte ich dieses Projekt wieder aufgreifen und Ihnen ein Update zu diesem Anwendungsfall geben.

Nach einem sehr erfolgreichen Pilotprojekt zur Optimierung des Prozesses der Befüllung von Gießmaschinen mit flüssigem Aluminium war das Team entschlossen, die Lösung auf andere Anlagen zu übertragen. Und mit diesem Ziel vor Augen erkannte das Team auch, dass es notwendig war, den Lernprozess zu automatisieren. Unterschiedliche Anlagen haben unterschiedliche Maschinen und unterschiedliche Produkte, so dass ein “Copy-Paste”-Vorgang keinen Sinn machen würde. Außerdem gibt es viele weitere Variationen, die den Prozess beeinflussen, wie z. B. verschiedene Pfannen zum Befüllen der Warmhalteöfen.

Bei der Analyse der bereits verfügbaren Daten aus den verschiedenen Anlagen entdeckte das Team immer wieder Abweichungen, die sie mit Annahmen und Faustregeln angegangen wären, genau wie vor Beginn dieses Projekts. Sie entdeckten zum Beispiel, dass kleine Schwankungen in der Legierung des Aluminiums einen erheblichen Einfluss auf die Temperaturkurve haben. Da die meisten Anlagen ihre Aluminiumvorräte von verschiedenen Standorten beziehen, erwiesen sich diese Abweichungen als sehr wichtig.

Während der Pilotphase hatte das Team festgestellt, dass die Art der Pfanne und die Alterung der Isolierauskleidung Auswirkungen auf die Temperaturentwicklung des Aluminiums während des Füllvorgangs haben. Beim Vergleich der verfügbaren Informationen entdeckten sie auch, dass verschiedene Arten von Gabelstaplern und Verladeanlagen die Dauer des Verladevorgangs und damit die Temperaturentwicklung beeinflussen. Alles in allem gab es zu viele Variablen, um einen “manuellen Lernprozess” zu verfolgen.

Mit dem Dienstleister wurde schnell die Entscheidung für ein Cloud-basiertes Machine Learning-Modell getroffen, um alle Variablen und Ergebnisse aus allen Anlagen zu analysieren. Da der Dienstleister ein AWS-Partner ist, wählte er Machine Learning auf AWS als Plattform für die Analyse der Daten und die Erstellung von Regeln, die in die On-Prem-MES- und Produktionsplanungsfunktionen einfließen. Da das ERP-System bereits in der Cloud läuft und alle Betriebsdaten über APIs verfügbar sind, konnten alle erforderlichen Daten direkt extrahiert werden – ein großer Vorteil gegenüber dem ursprünglichen Pilotprojekt. Dies war ein großer Vorteil gegenüber dem ursprünglichen Pilotprojekt und eine klare Bestätigung dafür, dass das Team die aus dem Pilotprojekt gezogenen Lehren sehr ernst genommen hatte.

Als Verfechter der digitalen Transformation betonen wir stets, dass es nicht nur um Technologie geht. Mentalität und Fähigkeiten müssen sich mit der Transformation weiterentwickeln. Als Coach für das ursprüngliche Pilotprojekt war ich erfreut zu sehen, dass dies in der gesamten Organisation geschah. Ich möchte Ihnen ein gutes Beispiel geben.

Die Befüllung der Warmhalteöfen ist nur möglich, wenn der Ofen nicht unter Druck steht. Dadurch erhält der Gabelstaplerfahrer ein festes Zeitfenster, das durch das Rezept für das Produkt, das auf der Maschine gegossen wird, bestimmt wird. Wenn der Ofen nicht unter Druck steht, öffnet sich die Maschine entweder, um das Produkt zu entnehmen, oder sie schließt sich, um einen neuen Zyklus zu beginnen, und jede Verzögerung würde dazu führen, dass die Gussform abkühlt und der Zyklus unterbrochen wird. Und das ist etwas, das vermieden werden muss!

Diese Regel wurde als feste, direkt aus der Rezeptur entnommene Regel festgelegt und von allen als gültig akzeptiert, bis etwas Unerwartetes passierte. Während einer Testphase für ein verbessertes Rezept wurde der Zyklus um 30 Sekunden verkürzt, aber da es sich nur um eine Testphase handelte, wurde diese Änderung nicht in das Rezept für das Produkt aufgenommen. Zur großen Überraschung aller zeigten die ML-Analysen, dass dieser Versatz von 30 Sekunden die Formtemperatur nicht so stark beeinflusste, wie alle erwartet hatten, und dass die positive Auswirkung der zusätzlichen Zeit, um den Warmhalteofen auf das optimale Niveau zu füllen, die negative Auswirkung der Unterbrechung des optimalen Gießzyklus übertraf.

2 Annahmen, die alle für wesentlich hielten, flogen aus dem Fenster, und zwar mit einer unerwarteten Abweichung! Vor ein paar Jahren wäre es undenkbar gewesen, dass das Team dies als wichtige Lektion aufgefasst hätte, aber jetzt nicht mehr. Sie begannen sofort zu bewerten, wie sich dies auf das Projekt auswirken könnte und welche Vorteile damit erzielt werden könnten. Einige vorsichtige Tests ergaben, dass es sich hierbei nicht um eine einfache Variante handelt, so wie die meisten anderen auch nicht einfach waren.

Das Team hatte so viel Vertrauen in die Lösung für maschinelles Lernen gewonnen, dass es beschloss, die festgelegte Regel für das Füllzeitfenster nach und nach freizugeben und die ML-Engine das herausfinden zu lassen. Als Digital Transformation Coach erkenne ich zwei sehr wichtige Veränderungen:

  • Das Team hat gelernt, gerne loszulassen und aus jeder Erfahrung zu lernen.
  • Das Team hat auch gelernt, mit dem System umzugehen und eine Lernumgebung für sich selbst und die Technologie zu schaffen.

Dieser USE CASE Industrial ML and Cloud in Manufacturing auf Basis von AWS re:Invent zeigt, dass Industrial Cloud mit der richtigen Einstellung und den richtigen Partnern machbar ist. Das bedeutet auch, dass wir bereit und in der Lage sein müssen, die Herausforderungen und Chancen der Cloud und der digitalen Transformation im industriellen Umfeld anzunehmen. Eine gute Möglichkeit, damit zu beginnen, ist das Online-Weiterbildungsmodul Cloud & IoT in der Fertigung – Nutzen Sie das Potenzial von Cloud und IoT, ohne Ihr Unternehmen unkontrollierten Risiken auszusetzen.

Empfohlen: KEYNOTE: Cloud jenseits der Technologie – Pragmatische Geschäftsperspektive von Cloud und digitaler Transformation

Leave a Comment