[vc_row][vc_column][vc_custom_heading text=“Der Qualitätsflüsterer“ font_container=“tag:h2|font_size:38|text_align:left|color:%23e30613″ use_theme_fonts=“yes“ css=“.vc_custom_1575449036983{margin-top: -25px !important;}“][vc_custom_heading text=“Selbstlernende Künstliche Intelligenz verbessert Produktqualität in komplexer Variantenproduktion“ font_container=“tag:h2|font_size:22|text_align:left|color:%23f07d00″ use_theme_fonts=“yes“ css=“.vc_custom_1575449046182{padding-bottom: 10px !important;}“][vc_column_text]Britta Hilt, Richard Martens, IS Predict[/vc_column_text][vc_custom_heading text=“Kurz und bündig:“ font_container=“tag:h3|font_size:17|text_align:left|color:%23ffffff“ use_theme_fonts=“yes“ css=“.vc_custom_1519747666609{padding-left: 15px !important;background-color: #f07d00 !important;}“][vc_column_text css=“.vc_custom_1575449136423{border-top-width: 1px !important;border-right-width: 1px !important;border-bottom-width: 1px !important;border-left-width: 1px !important;padding-top: 10px !important;padding-right: 10px !important;padding-bottom: 10px !important;padding-left: 10px !important;background-color: #eaeaea !important;border-left-color: #aaaaaa !important;border-left-style: solid !important;border-right-color: #aaaaaa !important;border-right-style: solid !important;border-top-color: #aaaaaa !important;border-top-style: solid !important;border-bottom-color: #aaaaaa !important;border-bottom-style: solid !important;border-radius: 1px !important;}“]Maschinelles Lernen und Künstliche Intelligenz  können  bereits  heute  in  der  Qualitätssicherung  eingesetzt  werden.  Sie  decken Ursache-Wirkungs-Zusammenhänge auf, können auch bei geringen Fallzahlen von  schlecht  bewerteten  Chargen  per  Sensorik trainiert werden. Die Genauigkeit der   Selbstlernalgorithmik   bleibt   hoch,   auch wenn Prozesse stark variieren.[/vc_column_text][/vc_column][/vc_row][vc_row css=“.vc_custom_1519752670572{margin-top: -10px !important;}“][vc_column][vc_column_text]Stunde um Stunde die Qualität des Produktes, der Serie prüfen – das war und ist in vielen Betrieben noch immer an der Tagesordnung. Mittels KI-Verfahren könnte dieser Prozess beschleunigt werden. Selbstlernende künstliche Intelligenz kann schon heute die teils aufwändigen Prüfverfahren vor kritischen Produktionsschritten minimieren. [/vc_column_text][ult_dualbutton btn_hover_style=“Style 2″ btn_border_style=“solid“ btn_color_border=“#ffffff“ btn_border_size=“2″ btn_alignment=“left“ dual_resp=“off“ button1_text=“Einzelheft kaufen“ icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fproduct%2Fqualitaet-4-0%2F|title:Qualit%C3%A4t%204.0||“ btn1_background_color=“#f07d00″ btn1_bghovercolor=“#e30613″ icon=“Defaults-book“ icon_size=“22″ icon_color=“#ffffff“ icon_hover_color=“#f07d00″ button2_text=“Jetzt abonnieren“ btn_icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fabo%2F|title:Abo||“ btn2_background_color=“#f07d00″ btn2_bghovercolor=“#e30613″ btn_icon=“Defaults-chevron-right“ btn_icon_size=“22″ btn_icon_color=“#ffffff“ btn_iconhover_color=“#f07d00″ divider_text=“oder“ divider_text_color=“#f07d00″ divider_bg_color=“#ffffff“ btn1_text_color=“#ffffff“ btn1_text_hovercolor=“#ffffff“ btn2_text_color=“#ffffff“ btn2_text_hovercolor=“#ffffff“ title_font_size=“desktop:20px;“ btn_border_radius=“3″ title_line_ht=“desktop:22px;“ btn_width=“280″][/vc_column][/vc_row][vc_row][vc_column][vc_custom_heading text=“Produktqualität“ font_container=“tag:h3|text_align:left“][vc_column_text]Exzellente  Produktqualität  ist  das  Aushänge-schild  eines  jeden  Produktionsunternehmens.  Kritische     Produktionsschritte     unterliegen     daher   aufwändigen   Prüfverfahren,   die   auf-grund  der  notwendigen  Zeit  und/oder  Kosten  nur   stichprobenartig   durchgeführt   werden   können. In der Prozessindustrie wird etwa die Qualität  des  produzierten  Endproduktes  oder  der  notwendigen  Zwischenprodukte  im  Stundentakt überprüft. In der Automobilzulieferindustrie decken Prüfungen von hochfrequenten Produktionsschritten  nur  einen  unteren  ein-stelligen   Prozentbereich   ab.   Dadurch   wird   Minderqualität  manchmal  nicht  erkannt,  was  zu  Problemen  in  der  späteren  Verarbeitung  oder gar zu Rückrufaktionen führt. Die Genauigkeit bleibt dank Selbstlernalgorithmik hoch, auch wenn die Prozesse stark variieren.  Die  folgenden  Fallbeispiele  zeigen  konkrete Anwendungen aus der Automobilzuliefererindustrie, sind jedoch auch auf nahezu alle Produktionsprozesse übertragbar.[/vc_column_text][vc_custom_heading text=“Fallbeispiel 1: Komplexe Ursachen für Min-derqualität im Ende-zu-Ende-Produktionsprozess aufdecken“ font_container=“tag:h3|text_align:left“][vc_column_text]Entscheidend für alle Maßnahmen in Kommunikation  und  Marketing  ist  natürlich  die  Verknüpfung mit den Geschäftszielen. Qualität in der   Onlinekommunikation   bedeutet   damit,   dass  auch  diese  das  Erreichen  von  Geschäfts-zielen unterstützt. Überraschenderweise zeigen Umfragen unter PR-Profis regelmäßig, dass sie in dieser Verbindung eine der größten Herausforderungen   sehen   [2].   Dafür   gibt   es   zwei   Erklärungsansätze:  Auf  der  einen  Seite  ist  oft  der Entscheider-Ebene wie auch anderen Abteilungen  nicht  klar,  welche  Ziele  Kommunikation erreichen kann und welche nicht. Auf der anderen  Seite  ist  bei  der  Erfolgsmessung  die  Wahl  der  passenden  KPIs  eine  große  Herausforderung.   Denn   nicht   immer   lassen   sich   Wechselwirkungen unterschiedlicher Faktoren klar trennen und damit der Erfolg der Kommunikation nicht immer eindeutig evaluieren. So   können   beispielsweise   Pressearbeit   und   Social-Media-Kommunikation    hervorragend    sein, doch wenn Kunden im Laden oder in der Kunden-Hotline       schlechte       Erfahrungen       machen, wirkt sich dies auch auf das Image des Unternehmens oder der Marke insgesamt aus. Für  die  strategische  Planung  von  Onlinekommunikation gilt aber in jedem Fall: Sie muss bei den unternehmerischen Geschäftszielen ansetzen und zwar sowohl bei den lang- als auch bei den kurzfristigen. Sind die Geschäftsziele ein-mal vorhanden, muss der PR-Profi einen Kommunikationsplan entwickeln. Eine Handlungsanleitung dazu bietet Abbildung 1.[/vc_column_text][vc_single_image image=“15245″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_custom_heading text=“Fallbeispiel 2: Automatisierte Qualitätsbewertung kritischer Produktionsschritte“ font_container=“tag:h3|text_align:left“][vc_column_text]Zusammenfassung

Trotz aller Zwischenprüfungen fallen funktionale End of Line-Prüfungen negativ aus. Selbst ein sehr kleiner Prozentsatz ist bei 11.000 produzierten Produkten/Tag zu viel. Daher deckt selbstlernende Künstliche Intelligenz die komplexen  Ursache-Zusammenhänge  im  variantenreichen Produktionsprozess auf, so dass die Werker    die    Ursachen    für    Minderqualität    abstellen  können.  Gerade  in  einer  24/7-Pro-duktion ist das schnelle Auffinden und Abstellen der Minderqualitäts-Ursachen essentiell.

Ausgangssituation

Das Werk eines internationalen Automobilzulieferer  produziert  ca.  11.000  Automobilteile  täglich,  in  700  Varianten.  Jedes  Produkt,  das  aus bis zu 600 Teilen besteht, durchläuft einen technischen  100%-Test,  bevor  es  ausgeliefert  wird. Obwohl während des Produktionsprozesses  kritische  Schritte  immer  wieder  überprüft werden   und   nur   die   Komponenten   weiter-bearbeitet werden, die in Spezifikation sind, wird bei der Endkontrolle Ausschuss aufgedeckt.

Projektbeschreibung

Mit  diesem  Digitalisierungsvorgehen  hat  der  internationale  Automobilzulieferer  die  Intension,  den  verantwortlichen  Entscheidungsträgern schnell Information zu liefern, so dass das Werk optimale Ergebnisse mit qualitativ hoch-wertigen Produkten erzielen kann.

Lösung

Selbstlernende  Künstliche  Intelligenz-Lösungen decken verlässlich und schnell die Ursache-Wirkungs-Zusammenhänge auf. Geschwindigkeit ist wichtig, da die Produktion 24 Stunden / 7 Tage die Woche durchgeführt wird. Je schneller  die  tatsächlichen  Gründe  für  fehlerhafte  Produkte  aufgedeckt  werden,  desto  schneller  können  Gegenmaßnahmen  ergriffen  werden,  um  zukünftige  Fehlfunktionen  zu  vermeiden.  Dies spart Zeit und reduziert deutlich den Aus-schuss.  Das  Ziel  ist,  den  Ausschuss  in  einigen  Fertigungsbereichen  um  20%  zu  reduzieren.  Der Haupterfolgsfaktor ist der schnelle Detektionsmechanismus innerhalb der Produktionskette, der durch künstliche Intelligenz realisiert wird.  Komplexe  Ursache-Wirkungs-Erkenntnisse können von mehreren Tagen auf Stunden reduziert werden.[/vc_column_text][vc_custom_heading text=“Fallbeispiel 2: Automatisierte Qualitätsbewertung kritischer Produktionsschritte“ font_container=“tag:h3|text_align:left“][vc_column_text]Zusammenfassung

Bis  ein  Produkt  entsteht,  werden  viele  unter-schiedliche  Produktionsschritte  durchlaufen, die  unterschiedlich  kompliziert  und  kritisch  sind.   Kritische   Produktionsschritte   wurden   trotz ihrer Wichtigkeit oft nur stichprobenartig überprüft, da eine Prüfungzeit- und kostenintensiv   ist.  Neue,   selbstlernende   künstliche   Intelligenz-Verfahren ändern dies, da sie automatisiert mit den vorhandenen Steuerungsdaten klare Muster erkennen, wann der Produktionsschritt  nicht  mit  hoher  Qualität  durchlaufen wurde. Das Ergebnis ist eine deutliche Kostenreduzierung der Qualitätsprüfungen, jedoch mit gleichzeitiger 100%-Prüfabdeckung.

Ausgangssituation

Das  Werk  eines  Automobilzulieferers  stellt  in  Stückzahlen von bis zu 600 Hüben pro Minute Metallkomponenten her. Diese werden verformt (pressen  oder  stanzen)  und  verbunden  (löten,  kleben, schweißen oder schrauben). Natürlich ist jeder Prozessschritt wichtig für die Stabilität  und  Qualität  der  Autokomponenten,  jedoch  ist  es  aufgrund  der  hohen  Stückzahl  nicht möglich, alle kritischen Arbeiten zu über-prüfen.  Daher  werden  Stichproben  durchgeführt,  bspw.  bei  Schweißungen  kleiner  als  1%,  da diese mit Ultraschalltechnik überprüft wer-den. Ultraschalltechnik erfordert einerseits entsprechend  teure  Investitionen  in  Prüfanlagen,  aber auch stets zertifiziertes Prüfpersonal. Die Prüfungen  sind  außerdem  zu  zeitintensiv,  als  dass sie auf alle Schweißungen angewendet wer-den können.

Projektbeschreibung

Mit   diesem   Datenanalysevorgehen   hat   der   internationale  Automobilzulieferer  die  Intension,  etwaige  Mängel  direkt  am  Produktions-schritt  zu  erkennen  und  daher  eine  100%ige  Prüfung durchzuführen. Die künstliche Intelligenz  bewertet  die  Daten  jedes  einzelnen  Produktionsschrittes,  so  dass  auftretende  Mängel  behoben bzw. die entsprechenden Komponen-ten direkt aussortiert werden können.

Lösung

Selbstlernende  künstliche  Intelligenz-Lösungen  wurden  auf  Produktionsdaten  trainiert.  Aufgrund   der   hohen   Variantenkomplexität   lagen    jedoch    nur    vergleichsweise    wenige    Schlechtfälle  vor.  Die  Algorithmik  muss  ent-sprechend abstrahieren, um trotz mangelnder Datenlage  verlässliche  Qualitätsbewertungen  durchführen  zu  können.  Zu  Beginn  wurden  noch   Schweißungen   aussortiert,   die   nicht   genau bewertet werden können. Diese werden durch  die  Ultraschaller  geprüft,  deren  Rück-meldung wiederum das kontinuierliche Lernen der   künstlichen   Intelligenz   unterstützt.   So   werden  die  „Graufälle“  immer  geringer  bei  gleichzeitiger 100%iger Prüfabdeckung.  Beide  Fallstudien  zeigen  deutliche  Industrie  Merkmale  der  Industrie  4.0:  Die  Daten  der  komplexen      Produktionsanlagen      liegen,      semantisch  bereinigt,  vor.  Diese  Daten  (ob  Big  Data  oder  Small  Data)  nutzen  selbstlernende   künstliche   Intelligenz-Algorithmen,   um  Muster  in  den  Datenströmen  aufzudecken, die zu Minderqualität führen. Kontinuierliches  Lernen  stellt  sicher,  dass  die  KI-Lösung   auch   bei   Produktionsänderungen   gleichbleibend verlässlich ist. Dank   der   Selbstlernalgorithmik,   die   durch   künstliche     Intelligenz-Analysen     realisiert     wird, ist dies eine skalierbare Lösung, auch für andere   komplexe   Produktionsprozesse   mit   hoher Variantenvielfalt. Es gibt auch heute schon – einerseits genügend Daten in ausreichender Qualität, um – andererseits mit Hilfe neuartiger selbstlernender künstlicher  Intelligenz  gute  Ergebnisse  in  hochkomplexen Produktionsprozessen mit hoher Variantenvielfalt zu erzielen. Ein Schlüssel ist hier das kontinuierliche Lernen, das – wie wir Menschen auch  –  Veränderungen  versteht  und  somit  sein  Verhalten    stets    den    neuen    Anforderungen    anpasst – und das 24h am Tag.[/vc_column_text][vc_single_image image=“15246″ img_size=“large“ alignment=“center“][/vc_column][/vc_row][vc_row][vc_column][/vc_column][/vc_row]