Ausgangssituation

Ein Hersteller von Spritzgießmaschinen möchte seinen Kunden helfen, die Prozessstabilität grundlegend zu steigern. Dies wird mit zunehmendem Rezyklatanteil immer schwieriger, da sich hierdurch das Verhalten des Materials sogar innerhalb einer Charge unterscheiden kann, bspw. im Fließverhalten. Die Folgen sind neben Über- und Unterspritzungen insbesondere auch die Nichteinhaltung von immer geringeren Toleranzen für Formteile. Ziel ist es, eine Lösung zur Optimierung der Prozessstabilität anzubieten, die für die vielen verschiedenen Kombinationen aus Maschine, Material und Prozess in der Praxis geeignet ist.

Keine Daten verfügbar

Die hohe Varianz an Maschinenauslegungen in Verbindung mit unterschiedlichen Materialien und Prozessen stellt eine Herausforderung dar. Hierdurch ist es als einzelnes Unternehmen kaum möglich alleine ausreichend Daten für vergleichbare Kombinationen zu erfassen. In einem Labor oder Technikum ist die Varianz aus dem Feld kaum abbildbar. Die Daten direkt beim Anwender zu erfassen, scheitert oft am grundsätzlichen Problem beim Einsatz von KI in der Industrie. Industrielle Anwender wollen ihr Prozesswissen schützen um Ihre Wettbewerbsfähigkeit sichern. Aber ohne diese Daten ist es nicht möglich ein maschinelles Lernmodell zur Optimierung der Prozessstabilität zu trainieren.

Lösung

Katulus einzigartiger dezentraler Ansatz für maschinelles Lernen ermöglicht die Nutzung von KI über Unternehmensgrenzen hinweg, während alle sensiblen Daten sicher bei den industriellen Anwendern verbleiben. Dies ermöglicht das Training von KI-Modellen direkt beim Anwender vor Ort. So entstehen robuste Optimierungen unter Berücksichtigung von Materialvarianzen, unterschiedlicher Maschinenauslegungen und Prozessen. Für jede Kombination wird auf dem Edge Device direkt an der Maschine ein anwenderspezifisches aber anonymisiertes KI-Modell berechnet. Dies basiert auf vielen verschiedenen Modellen und passt sich so perfekt an die jeweilige Auslegung der Maschine an. Das Edge Device ermöglicht zudem eine intelligente und automatische Regelung des Spritzguss-Prozesses in Echtzeit, um Materialschwankungen auszugleichen und Ausschuss zu reduzieren.

Das initiale KI-Modell

Die Entwicklung eines dezentralen Modells beginnt mit der Datenerfassung. Zunächst werden im Technikum oder Labor erste Datensätze der Spritzgießmaschinen erfasst, um ein erstes Modell zu trainieren. Hierbei konzentriert sich Katulu anfangs auf die Daten, die direkt an der Steuerung abgegriffen werden können. Entscheidend bei der Datenerfassung ist das Labeling der Daten, also das Kennzeichnen der Datensätze nach Fehlerfällen und Qualitätsgüten. Hierzu werden Experimente mit verschiedenen Maschinenparametern und Zykluszeiten durchgeführt und die Versuchsergebnisse ausgewertet, um Merkmale wie Oberflächenglanz, Gratbildung oder Verzug mit den Steuerungsdaten in Zusammenhang zu setzen. Historische Daten, die einem bestimmten Fehlerfall zugeordnet werden können, sind ebenfalls eine wertvolle Datenquelle.

Mit diesen gesammelten Daten wird ein erstes KI Modell zur Identifikation der zentralen Einflussfaktoren auf den Prozess trainiert, mit dem Ziel Vorhersagen zur Qualität im laufenden Prozess zu ermöglichen.

Verfeinerung mit Clustered Federated Learning

Das Modell wird auf allen konnektierten Spritzgießmaschinen mit Federated Learning trainiert. Mithilfe des Federated Clustering-Algorithmus von Katulu wird dem Maschinenhersteller ermöglicht vergleichbaren Kombinationen aus Maschine, Material und Prozess über Unternehmensgrenzen hinweg automatisch zu gruppieren. Die hieraus resultierenden Modelle sind optimal auf die verschiedenen Maschinentypen, Peripheriegeräte, Konfigurationen, Materialien, Prozessdaten etc. des jeweiligen Anwenders abgestimmt. Dies garantiert eine bestmögliche Optimierung und automatische Regelung des Spritzguss-Prozesses. Selbstverständlich ohne dass sensible Informationen die jeweilige Fertigung verlassen.

Kontinuierliche Verbesserung

Kontinuierliche Trainings- und Deploymentzyklen verbessern das Modell fortlaufend. Durch spezielle Modellmetriken (Federated Analytics) wird zudem sichergestellt, dass diese Verbesserungen auch für den jeweiligen Anwender eine Verbesserung des Modells darstellen. Wenn dieser Reifegrad erreicht ist, ist der richtige Zeitpunkt, um fortschrittlichere Modelle zu trainieren, die zur Verbesserung der gesamten Prozessstabilität beitragen.