Computermodell zur Vorhersage der Qualität des Produktes


Die Vorhersage der Produktqualität ist in den letzten Jahren in vielen Branchen zu einer wichtigen Aufgabe geworden. Fertigungsunternehmen möchten sicherstellen, dass die von ihnen hergestellten Produkte von höchster Qualität sind, und Einzelhändler möchten in der Lage sein, Produktausfälle vorherzusagen, bevor sie auftreten. Dies kann viel Geld bei Produktrückrufen und Gewährleistungsansprüchen sparen.

In diesem Blogbeitrag werden wir erörtern, wie Computermodelle zur Vorhersage der Produktqualität verwendet werden können. Wir werden auch eine Methodik dafür beschreiben und mögliche Perspektiven der Methoden skizzieren.

Modellbasierte Vorhersage der Produktqualität

Produktionsprozesse, insbesondere in der Fertigung, müssen hohe Anforderungen an Qualität, Effizienz und Produktivität erfüllen, um wettbewerbsfähig zu bleiben. Aufgrund zunehmender Prozesskomplexität und häufiger Anlagenumstellungen erfolgt die Produktion jedoch oft nicht effizient. Eine Möglichkeit zur Steigerung der Anlageneffizienz ist eine systematische Datenauswertung inklusive Datenmanagement und Analyse historischer und gestreamter Prozessdaten. Für die Datenanalyse haben maschinelles Lernen (ML) und künstliche Intelligenz (KI) eine rasante Entwicklung durchlaufen und stehen derzeit im Zentrum technischer Innovationen. In Anwendungen mit sehr großen Datenmengen, z. B. in der Spracherkennung oder Bildanalyse sind tiefe neuronale Netze derzeit Stand der Technik.

Qualitätsprüfung

Im Gegensatz zur Bildanalyse oder Spracherkennung ist der Einsatz von Methoden des maschinellen Lernens zur Analyse von Produktionsdaten etwas aufwändiger, da selbst umfangreiche Produktionsdaten oft vergleichsweise wenig Informationen enthalten. Beispielsweise werden in einer auf Serienproduktion ausgelegten Anlage meist Prozessparameter konstant gehalten, was dazu führt, dass immer der gleiche Datensatz geliefert wird. Andererseits fallen bei der Inbetriebnahme oder nach größeren Anlagenänderungen Daten mit hohem Informationsgehalt, aber in geringen Mengen an. Ein Beispiel ist der Einsatz neuer Rohstoffe, bei denen Parameter oder Prozessführungsstrategien mehrfach geändert und angepasst werden müssen, um die gewünschten Ergebnisse zu erzielen.

Eine Möglichkeit, die Produktqualität vorherzusagen, ist die Verwendung eines modellbasierten Ansatzes. Bei dieser Methode wird die Produktqualität auf der Grundlage der Eigenschaften des Produkts und seines Herstellungsprozesses vorhergesagt. Dies kann mit mathematischen Modellen oder maschinellen Lernalgorithmen erfolgen. Der Vorteil dieses Ansatzes liegt darin, dass damit die Qualität von noch nicht hergestellten Produkten vorhergesagt werden kann.

Methodik

Die Methodik, die für die Vorhersage der Produktqualität verwendet werden kann, ist wie folgt:

●     Daten zu Produkteigenschaften und Parametern des Herstellungsprozesses werden gesammelt

●     Ein maschinelles Lernmodell wird trainiert, um die Produktqualität basierend auf den gesammelten Daten vorherzusagen

●     Mit dem trainierten Modell werden die Neue Produkte bewertet

Maschinelles Lernen

Maschinelles Lernen

Mithilfe von maschinellem Lernen und der inhärenten schnellen Verarbeitung großer Datensätze durch Computer kann ein Modell hochkomplexe Verbindungen aufdecken, die ein Mensch nicht bestimmen könnte.

Leider ist die Implementierung von maschinellem Lernen nicht einfach Plug-and-Play. Wie ein Schüler benötigt eine Maschine eine angemessene Anleitung, um ihre Aufgaben mit Exzellenz auszuführen.

Das Sammeln qualitativ hochwertiger Daten ist die größte anfängliche Herausforderung für den Implementierungsprozess des maschinellen Lernens und dieser Schritt ist entscheidend, da eine Maschine nicht aus beschädigten, verrauschten, verzerrten oder falsch klassifizierten Daten lernen kann. Die ordnungsgemäße Erfassung umfasst die Aufzeichnung von Daten in einem standardisierten Format, das manchmal eine Übersetzung aus dem Rohformat erfordert.

Nach der Datenerfassung benötigt ein maschinelles Lernmodell einen gekennzeichneten Datensatz zum Lernen. Dieser Datensatz ist nach Klassen kategorisiert – z. B. in Ordnung oder nicht in Ordnung, bestanden oder nicht bestanden – aber vielen Unternehmen stehen keine Experten und Ressourcen zur Verfügung, um diese ML-Muster zu identifizieren und zu kennzeichnen.

Modelle für maschinelles Lernen stützen sich für das Training häufig auf statische historische Auszüge aus allgemein dynamischen Daten. Produktionsdaten können sich jedoch aufgrund variabler Prozessbedingungen, dynamischer menschlicher Eingriffe und anderer Ursachen schnell auf unbekannte und unentdeckte Weise ändern, nachdem Modelle implementiert wurden. Dies führt in der Regel dazu, dass die Vorhersageleistung und Zuverlässigkeit eines Modells im Laufe der Zeit abnimmt.

Schalter

Datenerhebung und -verarbeitung

Um einen maschinellen Lernalgorithmus zu trainieren, braucht man Daten. Diese Daten können aus Experimenten oder aus historischen Daten gesammelt werden. Die Daten müssen verarbeitet werden, bevor sie vom maschinellen Lernalgorithmus verwendet werden können. Dies umfasst die Vorverarbeitung (z. B. das Umwandeln der Daten in ein geeignetes Format), die Funktionsauswahl (die Auswahl der zu verwendenden Produkteigenschaften) und das Modelltraining (das Trainieren des maschinellen Lernalgorithmus mit den Daten).

Modelltraining und Bewertung

Sobald der maschinelle Lernalgorithmus trainiert wurde, kann er verwendet werden, um die Produktqualität für neue Produkte vorherzusagen. Dies geschieht durch die Bewertung neuer Produkte mithilfe des trainierten maschinellen Lernalgorithmus. Die Punktzahl eines Produkts gibt an, wie wahrscheinlich es ist, dass das Produkt eine hohe Qualität aufweist.

Kabel

Technische Umsetzung

Um einen maschinellen Lernalgorithmus zu verwenden, benötigt man ein Softwaretool, das ihn implementieren kann. Dieses Tool muss in der Lage sein, die Daten zu verarbeiten und den maschinellen Lernalgorithmus auszuführen. Es gibt viele verschiedene Arten von Algorithmen für maschinelles Lernen, daher ist es wichtig, einen auszuwählen, der für die jeweilige Aufgabe geeignet ist. Einige gängige Algorithmen für maschinelles Lernen umfassen lineare Regression, neuronale Netze und Support-Vektor-Maschinen.

Eine typische ML-Anwendung empfängt Dateneingaben von Sensoren wie Kameras, Mikrofonen, Thermometern und anderen. Nach dem Import und der Vorverarbeitung analysiert das ML-Modell die Daten und leitet eine Modellausgabe ab.

Ein führender Hersteller von Benzin-, Diesel- und Elektrofahrzeugantrieben begann mit der Nutzung der Siemens SimCenter Amesim-Software und -Dienstleistungen, um virtuelle Sensoren mit KI zu entwickeln und zu koppeln. Die Simulationssoftware ermöglichte es ihnen, virtuelle Modelle ihres Antriebsstrangs zu erstellen, um ideale Konstruktionsparameter vor der Produktion zu bestimmen und so Zeit und Kosten aufgrund fehlgeschlagener physischer Prototypen zu reduzieren.

Programmierung

Perspektiven

Im Laufe der Zeit und mit richtig gekennzeichneten Datensätzen verbessern sich ML-Algorithmen und digitale Zwillinge werden zum Standard bei der Entwicklung von Produkten, Anlagen und anderen automatisierten Systemen. Infolgedessen werden diese Technologien zunehmend für Zertifizierungen akzeptiert, beispielsweise zur Einhaltung von Sicherheits- und Umweltvorschriften.

Da digitale Zwillinge immer üblicher werden, werden sie mit der Lieferung physischer Systeme und Produkte gekoppelt, wodurch die Benutzer in die Lage versetzt werden, Hypothesen aufzustellen und die Ergebnisse von Änderungen an ihren Designs und Prozessen vor der Produktion zu testen.

Mit dem aufschlussreichen maschinellen Lernen und Mustererkennung können simulierte Daten von digitalen Zwillingen und tatsächliche Daten von Feldsensoren verarbeitet werden, um genaue und bewährte Produktionsmodelle zu erstellen. Diese Modelle beschleunigen die Prozess- und Maschinenoptimierung, erhöhen die Produktivität und Markteinführungszeit und reduzieren Wartungskosten und Ausfallzeiten.

Abschließend können Computermodelle verwendet werden, um die Produktqualität vorherzusagen. Im nächsten Schritt soll untersucht werden, wie dieser Ansatz in anderen Branchen wie der Automobil- und der Luft- und Raumfahrt eingesetzt werden kann.


Leave a Reply

Your email address will not be published.