Ausgangssituation

Ein Hersteller von Thermoprozessanlagen möchte seinen Kunden durch Prozesssimulation den kosteneffizienten Betrieb bestehender Anlagen ermöglichen. Die Kunden verfügen über maßgeschneiderte Systemlösungen des Herstellers, in denen unterschiedliche Baugruppen verbaut sind. Dies erschwert die Umsetzung von kundenspezifischen digitalen Zwillingen mit konventioneller Machine Learning Technologie. Die Gesamtanlagen sind nicht direkt untereinander vergleichbar, was die Erfassung einer ausreichend großen Datenbasis erschwert. Darüber hinaus dürfen sensible Produktionsdaten der Betreiber auf keinen Fall die eigene Produktionsstätte verlassen.

Keine Daten verfügbar

Für den Einsatz von KI ist die Datengrundlage entscheidend. Da es sich bei Sondermaschinen um maßgeschneiderte Systemlösungen handelt, stellt die Vergleichbarkeit eine Herausforderung dar. Auch eine Betrachtung auf Ebene der Baugruppen ist schwierig, da es als einzelnes Unternehmen kaum möglich ist, alleine ausreichend Daten für vergleichbare Baugruppen zu erfassen. Diese Daten direkt im Feld beim Anwender zu erfassen, scheitert oft am grundsätzlichen Problem beim Einsatz von KI in der Industrie. Unternehmen wollen ihre Daten nicht teilen. Das trifft auch auf industrielle Anwender zu, deren Alleinstellungsmerkmal es ist einen Thermoprozess perfekt auszuführen. Denn Unternehmen wollen ihr Prozesswissen schützen und ihre Wettbewerbsfähigkeit sichern. Aber ohne diese Daten ist es nicht möglich ein KI-Modell zur Prozessimulation zu trainieren.

Lösung

Mit unserer KI-Technologie entstehen betreiberindividuelle digitale Zwillinge zu Simulationszwecken von Thermoprozessen – ohne dass sensible Rohdaten von Kunden geteilt werden. Mit digitalen Prozesszwillingen wird die Simulation von Fertigungsprozessen für jeden Kunden am Bildschirm möglich – ohne entsprechende Kosten in der Produktion zu verursachen. Mit unserer Plattform werden digitale Zwillinge auch im Sondermaschinenbau nutzbar, da Katulu Modelle auf Baugruppenebene trainiert und diese in Beziehung zueinander setzt. Mithilfe der Clustered Federated Learning Technologie sind diese Modelle kundenindividuell trainierbar. Den Betreibern wird jeweils das Abbild der eigenen Anlagen und nur genau das Schmelzprozesswissen zur Verfügung gestellt, das für die eigenen Anwendungen relevant ist. Hierdurch werden für AHSS-Güten aus dem Schmelzprozess-Wissen aller Anlagen die optimalen Verarbeitungsparameter identifiziert – ohne dass dabei sensible Daten sichtbar werden. Bereits in der Produktionsplanung werden so informierte Entscheidungen getroffen, die Ineffizienzen oder gar fehlerhafte Prozesse proaktiv identifizieren, optimieren und damit Kosten sparen. Zudem besteht die Möglichkeit den digitalen Zwilling beim Kunden mit eigenen Systemen zu verknüpfen, um auch individuelle Aspekte wie Betriebskosten und Rohstoffverfügbarkeit in der Simulation zu berücksichtigen.

Erste Schritte

Die Entwicklung eines dezentralen Modells beginnt mit der Datenerfassung. Zunächst werden im Technikum oder Labor erste Datensätze der Thermoprozessanlagen 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 mit den Steuerungsdaten in Zusammenhang zusetzen. Eine wertvolle Datenquelle sind auch historische Daten, die einem bestimmten Fehlerfall zugeordnet werden können.

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

Verfeinerung mit Clustered Federated Learning

Das Modell wird auf allen konnektierten Thermoprozessanlagen mit Federated Learning trainiert. Mithilfe des Federated Clustering-Algorithmus von Katulu wird es dem Maschinenhersteller ermöglicht, vergleichbare Kombinationen von Baugruppen über Unternehmensgrenzen hinweg automatisch zu gruppieren, ohne dass sensible Daten geteilt werden. Die hieraus resultierenden Modelle sind optimal auf die verschiedenen Sondermaschinen, Konfigurationen, Materialien, Prozessdaten etc. der unterschiedlichen Anwender abgestimmt. Dies garantiert eine bestmögliche Simulation und Optimierung des Schmelzprozesses.

Kontinuierliche Optimierungen

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