Blick in die Produktion bei Plastikpack

Blick in die Produktion bei Plastikpack: Hier soll künstliche Intelligenz Kosten für Produktionsstillstände aufgrund fehlerhaft parametrierter Maschinen senken, Folgekosten für das Recycling der Fehlproduktion reduzieren sowie Aufwände für Diagnose und Reparaturen vermeiden. (Bild: Plastikpack GmbH)

Blick in die Produktion bei Plastikpack

Blick in die Produktion bei Plastikpack: Hier soll künstliche Intelligenz Kosten für Produktionsstillstände aufgrund fehlerhaft parametrierter Maschinen senken, Folgekosten für das Recycling der Fehlproduktion reduzieren sowie Aufwände für Diagnose und Reparaturen vermeiden. Plastikpack GmbH

Die Plastikpack GmbH ist auf die Produktion von Gefahrgutkanistern mit zwei bis 30 Litern Inhalt spezialisiert. Rund um die Uhr fertigt das mittelständische Unternehmen am Standort Steinheim (Ostwestfalen-Lippe) und am Standort Gron (Frankreich) an mehr als 50 Extrusionsblasformanlagen circa 25 Millionen Kunststoffprodukte pro Jahr. Dabei muss die gut vernetzte Produktion höchste Qualitätsanforderungen erfüllen und stabile Prozesse gewährleisten.

Allerdings wurde bisher in der Kunststoffproduktion nur ein Mal pro Schicht eine vollständige Qualitätskontrolle für alle geforderten Funktionen durchgeführt. Tritt ein schwerwiegender Produktionsfehler während einer Schicht auf, wird dieser daher gegebenenfalls erst spät bemerkt und kann so hohe Kosten verursachen. Insbesondere die Prozessstabilität des Extrusionsblasformens ist entscheidend für die Qualität der Kanister. Fehler oder Abweichungen führen hier zu Ausschuss, der nicht stückgenau erfasst werden kann.

Distanzbasiertes Verfahren bewertet Sensordaten

Schematische Darstellung des Normalverhaltens anhand von zwei Sensorsignalen. A) In der Trainigsphase B) In der Produktionsphase, ohne Anomalie C) In der Produktionphase mit Anomalie. Die Definition der Anomalie geschieht über das distanzbasierte Verfahren.

Bild 1: Schematische Darstellung des Normalverhaltens anhand von zwei Sensorsignalen. A) In der Trainigsphase B) In der Produktionsphase, ohne Anomalie C) In der Produktionphase mit Anomalie. Die Definition der Anomalie geschieht über das distanzbasierte Verfahren. Fraunhofer IOSB-INA

Daher startete Plastikpack gemeinsam mit dem Lemgoer Fraunhofer IOSB-INA ein Projekt mit dem Ziel, die Ursachen für Produktionsstillstände aufgrund fehlerhaft parametrierter Maschinen nach Möglichkeit zu eliminieren. Gleichzeitig sollen die Folgekosten für das Recycling der Fehlproduktion reduziert und Aufwände für Diagnose und Reparaturen vermieden werden. Um das alles zu erreichen, entschied sich das Unternehmen künstliche Intelligenz einzusetzen, die die Daten aus dem automatisierten Prozess auswertet.

Im Rahmen des gemeinsamen Transferprojektes von Plastikpack wird vom Fraunhofer IOSB-INA ein KI-basiertes Verfahren zur Zustandsüberwachung evaluiert, das auftretende Anomalien anzeigt. Das Hauptaugenmerk liegt dabei auf der Identifikation der Signale, also auf den Sensoraufzeichnungen der physikalischen Prozessdaten wie Druck, Temperatur etc., die den höchsten Einfluss auf eine erkannte Anomalie haben. Aus diesen Daten können wertvolle Informationen für vorbeugende Reparaturanweisungen extrahiert werden. Auch Fertigungsdaten wie das Produkt, Ausschussdaten oder Labordaten zum Rohstoff sowie Metadaten – beispielsweise Fertigungszeiten, Pausenzeiten und Wartungszyklen – flossen in das Verfahren ein.

KI-Entscheidung muss nachvollziehbar sein

Bei jeder Entscheidung, ob eine Anomalie vorliegt oder nicht, muss ein KI-System die entsprechenden Entscheidungsgrundlagen offenlegen können. Es darf also keine Black-Box geben. Das eingesetzte distanzbasierte Verfahren ist in der Lage, zu jedem Sensorsignal eine solche Bewertung abzugeben. So lassen sich alle Einflüsse, die eine Anomalie bewirken, darstellen und anschließend auswerten.

Das KI-Verfahren wurde auf Basis von aufgezeichneten Maschinendaten einer Beispielanlage trainiert. Dabei stellten die Projektmitglieder sicher, dass die Maschine in dem aufgenommenen Zeitraum korrekt funktionierte und keine Anomalien auftraten. Dabei müssen Anlagenexperten beziehungsweise Prozessexperten den Trainingszeitraum abschätzen. Bei einer gleichförmigen Produktion, wie der Herstellung von Kunststoffteilen, können wenige Zyklen reichen. Datensätze aus dem Bereich der Extrusionsblasformfertigung bestehen aus einer Vielzahl von Signalen, die beispielsweise Temperaturbereiche in der Materialzuführung, den jeweils vorherrschenden Druck im Werkzeug sowie Geschwindigkeiten beschreiben. Sollte es hier zu hohe Variationen in den Daten bei gleichen Produktionsparametern geben, muss eine entsprechend höhere Menge an Trainingsdaten aufgenommen werden.

Anomalien durch die Distanz zur Norm bestimmen

Bild 1 A zeigt die schematische Darstellung von zwei Signalen (hier Druck und Temperatur). Hierbei wird zunächst nur das Normalverhalten aus dem Trainingszeitraum beschrieben. Dieser umfasste eine Zeitspanne, in der ausschließlich fehlerfreie Teile gefertigt wurden. Die entsprechenden Daten wurden als ein Modell des Normalverhaltens abgelegt.

Ist dieses Modell einmal gelernt, lässt es sich als Kern des KI-Systems speichern und einsetzen. Die von der Produktionsanalage generierten Daten werden von der KI fortwährend abgetastet und in einzelne Datenpunkte aufgeteilt, welche die KI mit dem gelernten Modell vergleicht. Die KI befindet sich bei Plastikpack auf einem Edge-Device, das direkt mit der Maschine verbunden ist. Da die Lösung von der Infrastruktur unabhängig ist, kann sie auch als Softwarebaustein an einer beliebigen Datenbank angebunden werden, ohne direkt mit der Maschine verbunden sein zu müssen.

Bild 1 B zeigt den Vergleich, wenn keine Anomalie beim Verhältnis von Druck und Temperatur im Produktionsprozess aufgetreten ist, es also kein fehlerhaftes Produkt gab. In diesem Fall befindet sich der aufgenommene Datenpunkt in der Nähe zu den in der Trainingsphase aufgenommenen Modellpunkten. Die Nähe wird über eine mathematische Distanzmetrik definiert und kann aus der statistischen Verteilung der Datenpunkte im Raum durch einen Lernalgorithmus – etwa ein neuronales Netz oder eine Support-Vector-Machine (ein mathematisches Verfahren der Mustererkennung) – oder manuell durch einen Prozessexperten ermittelt werden. Wird ein Datenpunkt aufgenommen, in dem die Maschine sich in einem fehlerhaften Zustand befindet, ist dieser Datenpunkt, wie in Bild 1 C zu sehen, weiter vom Normalzustand entfernt. Dies deutet auf eine Anomalie hin. Die Abschätzung der Entscheidungsdistanz, also wann eine Abweichung von der Norm wirklich eine Anomalie darstellt, ist die eigentliche Herausforderung beim distanzbasierten Verfahren.

Allerdings hat nicht jede Anomalie zwingend einen Einfluss auf das Produkt. Daher wurden betroffene Produkte nicht direkt verworfen, sondern es erfolgte eine gezielte Qualitätskontrolle. Denkbar wäre auch, dass eine Anomalie eine Anpassung der Parametrierung der Maschine auslöst. Hier fehlen jedoch noch Erfahrungswerte und das Einbinden der Daten in den laufenden Prozess.

Anomalien mit dem distanzbasierten Verfahren erkennen

Das distanzbasierte Verfahren ermittelt den Abstand eines in der Produktion aufgenommen Datenpunkts zu den eingelernten Trainingsdaten, bei denen die Produktion ohne Fehler verlaufen ist. Ist der Datenpunkt „zu weit“ von der Norm entfernt, meldet die KI eine Anomalie. Die Nähe wird über eine mathematische Distanzmetrik definiert und kann aus der statistischen Verteilung der Datenpunkte im Raum, durch einen Lernalgorithmus oder manuell ermittelt werden. Der Algorithmus muss aber eine gewisse Variation der Daten zulassen, um leichte Produktionsschwankungen abzudecken. Daher ist die Abschätzung der Entscheidungsdistanz die eigentliche Herausforderung bei diesem KI-Ansatz.

Möglichst wenig Fehlalarme

Plot der Zustandsbewertung über die Zeit, als Distanz zum Normalverhalten

Plot der Zustandsbewertung über die Zeit, als Distanz zum Normalverhalten Fraunhofer IOSB-INA

Aus den während des Live-Betriebs aufgezeichneten Datenpunkten und den entsprechenden Distanzen zum Model entsteht zusätzlich eine Zustandslinie über einen Zeitraum. Diese lässt sich mit gelernten Schwellwerten des Normalzustands vergleichen und liefert so einen weiteren Hinweis auf eine Anomalie und die zeitliche Entwicklung. Das Beispiel in der Abbildung zeigt, dass eine Anomalie häufig schon im Vorhinein durch einen kontinuierlichen Anstieg der Distanz zu erkennen ist. Stellt das System eine anhaltende Verschlechterung fest, kann es dies automatisch und digital an das Wartungspersonal weiterleiten und einen Wartungsauftrag auslösen. Solche frühzeitigen Warnungen durch die Trendanalyse senken die Reaktionszeiten.

Um eine hohe Genauigkeit zu erreichen, ist es wichtig, dass die KI-gestützten Entscheidungsverfahren möglichst wenige Fehlalarme generieren. Zu viele Fehlalarme mindern den Mehrwert eines solchen Entscheidungssystems. Außerdem muss die Zustandsüberwachung in der Lage sein, die Signale und Maschinenkomponenten klar anhand der Sensordaten zu identifizieren, die zu der Anomalie geführt haben. Nur dann kann ein Maschinenbediener die fehlerhaften Komponenten schnell lokalisieren und den Schweregrad des Fehlers einschätzen. Auf diese Weise wird auch dem Wartungstechniker die Diagnosearbeit erleichtert, was zu einer schnelleren Reparatur der Maschine führt.

KI-System ausweiten

Die trainierte Lösung lässt sich auf andere Maschinen übertragen. Diese sollten aber vom selben Typ sein und unter gleichen Bedingungen arbeiten. Es ist ebenfalls möglich, mit einem vortrainierten Model zu beginnen und anschließend das Modell anzupassen. Streng genommen müsste das Verfahren nicht nur für jede Maschine, sondern auch jedes Produkt neu angelernt werden. Eine solche Anlernphase lässt sich jedoch mit der Einrichtung der Maschine koppeln, bei der ein Mitarbeiter ohnehin vor Ort ist und bei 20 oder 50 Teilen den Prozess überwacht.

Qualitätskontrolle für jedes produzierte Einzelstück

Das eingesetzte KI-System hilft Plastikpack, den Zustand seiner Produktion stückgenau und allein über die Prozesswerte zu bewerten. Die bisher übliche Qualitätskontrolle pro Charge wird durch KI unterstützt und lässt sich so gezielt auf Einzelstücke ausweiten. Treten Fehler und Anomalien auf, können Experten die Signale interpretieren und Handlungsempfehlungen für die Maschinenbediener entwickeln. Zudem lassen sich diese Empfehlungen in das KI-Verfahren integrieren und speichern. Auf diese Weise „lernt“ das Verfahren kontinuierlich hinzu und wird stetig optimiert.

Plastikpack hat diese Technologie prototypisch in seiner Fertigung eingesetzt und die Notwendigkeit erkannt, Qualitätsdaten systematisch und digital zu dokumentieren. Zu Beginn des Projekts waren etwa 65 Datenparameter (Temperaturen Extruder und diverse Stromaufnahmen, Drucksensoren, Zykluszeit usw.) an der Maschine verfügbar. Im Laufe der Zeit wurden weitere Sensoren hinzugefügt, um für den Prozess wichtige Daten aufzunehmen. „Wichtig ist, aus den Prozessdaten zu ermitteln, welchen Einfluss diese auf die Qualität unserer Produkte haben. Von über 100 Parametern sind wahrscheinlich nur fünf bis zehn relevant“, resümiert Roman Preis, Energie- und Prozessmanager bei Plastikpack. Daher plant das Unternehmen in Zukunft eine vertiefte Analyse der Daten innerhalb eines Zyklus, um die dadurch gewonnenen Erkenntnisse in Handlungsempfehlungen für die Optimierung von Ressourcen bei gleichbleibender Qualität ableiten zu können.

Ansprechpartnerin

Nissrin Arbesun Perez, M.A. M.Eng.

Technologietransfer & Innovationsmanagement

Geschäftsstelle SmartFactoryOWL

Fraunhofer IOSB-INA

Institutsteil für industrielle Automation

Campusallee 6, 32657 Lemgo, Germany

Telefon      +49 5261 942 90 – 93

Fax             +49 5261 942 90 – 90

E-Mail         nissrin.perez@iosb-ina.fraunhofer.de

Internet      www.iosb-ina.fraunhofer.de

Internet      www.smartfactory-owl.de

Dr. Martin Large

Redakteur IEE nach Unterlagen von Digital in NRW/Fraunhofer IOSB-INA

Sie möchten gerne weiterlesen?