Datenbasierte Erkenntnisse für neue Ideen.
In den hochtechnisierten, komplexen Entwicklungsabteilungen der Industrie stehen Ingenieure einer stetig wachsenden, riesigen Menge hochgradig unstrukturierter, heterogener Daten gegenüber, die teils weltweit verteilt sind.
Die Fragestellungen können sehr verschieden sein – von der Ursachenforschung, über Erkenntnisse zu Nutzerverhalten bis hin zum Entsprechen gesetzlicher Vorgaben. Aber immer liegt die Lösung im intelligenten Umgang mit den großen Datenmengen.
DaSense verarbeitet riesige Mengen an Rohdaten, die aufgrund ihrer Heterogenität und ihres Umfangs nicht durch Menschen überschaubar und interpretierbar sind. Die Auswertung durch eine Künstliche Intelligenz und das Herstellen von Korrelationen gibt den Daten neue Bedeutung. Insbesondere Zusammenhänge, die nicht offensichtlich sind, sind wesentlich für Entwicklungsarbeit und Optimierung.
DaSense IIoT ist schnell produktiv nutzbar,
offen und anpassbar für Kollegen und Dienstleister
und lässt sich in bestehende Umgebungen integrieren.
Wir bieten eine durchgängige Unterstützung gängiger Branchenstandards für Datenimport und Datenexport zum Monitoring, Auswerten und Steuern von Prozessen.
Nutzen Sie die DaSense KI-Apps, um Sensoren, Instrumente und andere Geräte zu vernetzen und Ihre Prozesse erfolgreich zu optimieren!
Anwendungsbeispiel
Anomaliedetektion
Schwankende Drehmomentbelastungen können zu Schwingungen und Ruckeln führen, die den Fahrgastkomfort und die Leistung von Fahrzeugen beeinträchtigen. In der Regel werden diese Ereignisse von Testfahrern während Schaltvorgängen erkannt und während der Fahrroutinen manuell protokolliert.
Die große Herausforderung dieser Analyse liegt in der Seltenheit des Ereignisses und damit in der erforderlichen Datenmenge, um eine statistisch aussagekräftige Anzahl von Proben von „Ruckeln“ zu sammeln. Um mögliche Ursachen für die Ruckbewegungen zu identifizieren, müssen zahlreiche aufgezeichnete Signale einschließlich ihrer abgeleiteten Merkmale berücksichtigt werden. Dies führt zu einer komplexen und rechenintensiven Analyse. Da die Daten kontinuierlich generiert werden, muss die Analyse zudem wiederholt - idealerweise automatisiert - durchgeführt werden.
DaSense wertet Daten objektiv aus
Anstatt sich auf die subjektive manuelle Protokollierung durch den Testfahrer zu verlassen, verwenden wir KI, um Anomalien in den aufgezeichneten Daten zu finden. In einem weiteren Schritt wurden mögliche Ursachen für das „Ruckeln“ gesucht. Hierzu wurde bestimmt, welche Signale während den klassifizierten Ereignissen ein abnormales Verhalten zeigen. Wir entwickelten eine App, um die Signale und deren Merkmale mit der stärksten statistischen Korrelation zum Ereignis zu identifizieren.
DaSense wird von Ingenieuren direkt genutzt
Die bereitgestellte Lösung ermöglicht Ingenieuren, komplexe Datenanalysen in einem Self-Service durchzuführen. Die Implementierung als App mit graphischer Oberfläche ermöglicht das Ausführen der KI-Analyse auch von Anwendern, die mit den Details des Analysealgorithmus nicht vertraut sind. Im Ergebnis reduziert sich die Anzahl der erforderlichen Testfahrten, da nun relevante Ereignisse in einem bereits vorhandenen Datensatz gefunden werden können, was zu enormen Kostenreduzierungen führt, und die Gesamtproduktivität wird drastisch gesteigert.
Anwendungsbeispiel
Zeitreihen-klassifizierung
Beim Spritzgussverfahren wird der jeweilige Werkstoff verflüssigt und in eine bestimmte Form unter Druck eingespritzt. Dort geht er durch Abkühlung wieder in den festen Zustand über. Dabei sind Teile im Gewichtsbereich von wenigen zehntel Gramm bis zu 150 kg herstellbar. Es ist eine nahezu freie Wahl von Form und Oberflächenstrukturen möglich und es lassen sich große Stückzahlen produzieren. Je größer die Stückzahl, desto lohnender die Produktion.
Um Ausschuss zu vermeiden und die Kosten möglichst gering zu halten, werden die Maschinen mittels Sensoren überwacht. Herausforderung in der Praxis ist, dass die Sensoren zwar gleich sind, die Maschinen jedoch unterschiedlich.
Zeitreihenklassifizierung für Spritzgusszyklen mit DaSense
Innerhalb von Spritzgusszyklen werden unterschiedliche Phasen durchlaufen. Diese sind oftmals abhängig von Maschinengröße und -typ. Um Maschinen optimal zu überwachen ist es notwendig, die Phasen jeder Maschine einzeln zu erkennen. Hierzu werden oben genannte Sensoren benutzt.
Ziel des KI-Projekts ist es, die typenunabhängige Klassifizierung der unterschiedlichen Phasen des Spritzgusszyklus mit einem auf künstlichen neuronalen Netzen basierten Modell zu erkennen. Insgesamt vier Phasen müssen erkannt werden: Stillstand, Entformen, Dosieren, Schließen.
Genauigkeit bei 96 Prozent
Die Genauigkeit des Modells muss gegen die stark abweichenden Eigenschaften der verschiedenen Maschinen und die Variabilität der Montage robust sein und das Modell soll auf lange Sicht die Zyklusphasen in Echtzeit klassifizieren.
Das konnten wir mit Hilfe von KI umsetzen: Das von uns entwickelte Modell konnte die Phase mit einer Balanced Accuracy von 96% erkennen.
Mit dieser Sensorik und Erkennung erreicht man eine Einheitlichkeit der Phasen zwischen den Maschinen und man kann dann z.B. die Dauern der gleichen Phase für verschiedenen Maschinentypen vergleichen.
Anwendungsbeispiel
Schadensfrüh-erkennung
Um mögliche Schäden bei Fahrzeugen zu vermeiden, sollen Auffälligkeiten in einem frühen Stadium identifiziert und entsprechende Maßnahmen ergriffen werden. Hierzu werden die Speicherdaten von fehlerhaften Fahrzeugen bei der Reparatur ausgelesen und mit weiteren gesammelten Befunddaten verglichen. Liegen ausreichend Daten vor, können Regelmäßigkeiten erkannt werden, die künftig zur Früherkennung von Fehlern bei Fahrzeugen dienen (Predictive Maintenance).
Um statistisch belastbare Aussagen treffen zu können, muss die Auswertung der Speicherdaten über eine sehr große Anzahl von Einzelfahrzeugen und Erhebungen über mehrere Jahre erfolgen. Die schiere Größe der gesammelten Messdaten ist mit klassischen Analysetools allerdings nicht mehr zu bewältigen, zudem ist der Einsatz neuer Methoden der KI erforderlich.
DaSense lässt Arbeit mit riesigen Datenmengen zu
Die auf DaSense eingerichteten Datenladestrecken erlauben die skalierbare Einbettung von bestehender Domain-Software für die Qualitätssicherung und die Vorbereitung der Daten für die Analyse. Die existierenden Analyseansätze wurden um eine Mustererkennung zum Abgleich mit definierten Fehlerbildern und um eine automatisierte Auffälligkeitsanalyse ergänzt.
Ingenieure nutzen Apps auf DaSense
Die Apps zur Prediction werden in der gesamten Entwicklungsabteilung genutzt. Im Ergebnis ist ein über mehrere Jahre gesammelter Messdatensatz anstatt in mehreren Tagen innerhalb weniger Minuten nach Mustern und Auffälligkeiten durchsuchbar. Die eingerichteten statistischen Auswertungen über die Fahrzeugflotte unterstützen die Früherkennung von Fehlern und liefern wertvolle Informationen für eine datengetriebene Fahrzeugentwicklung.