Werkzeugauslastung und Produktqualität verbessern.

Lebensdauer und den Verschleißzustand von Werkzeugen für beliebige Kombinationen aus Maschine, Material und Prozess bestimmen.

Ausgangslage

Bessere Produktqualität zu niedrigeren Kosten

Nutzer haben durch Erfahrung gelernt, wann ein Werkzeug beginnt, sich abzunutzen, aber diese Methode ist nicht sehr genau, was zu Produkten von schlechter Qualität, ungenutzter Werkzeuglebensdauer und ungeplanten Ausfallzeiten führt. Ein Hersteller möchte dieses Problem angehen und einen digitalen Service anbieten, der die verbleibende Nutzungsdauer (RUL) prognostiziert und den Werkzeugverschleißzustand bewertet, um seinen Kunden zu helfen, qualitativ hochwertigere Produkte zu geringeren Kosten herzustellen.

Keine Daten verfügbar

Die benötigten Daten werden auf der Maschine erfasst, sind für maschinelles Lernen aber nicht verfügbar

Die Datenverfügbarkeit ist in jedem KI-Projekt von entscheidender Bedeutung und oft der Deal Breaker. Genau hier ist das Problem: Kein einzelnes Unternehmen kann genügend Daten für die verschiedenen Werkzeug-, Maschinen- und Werkstoffkombinationen sammeln. Darüber hinaus scheitert das Sammeln von Daten direkt bei den Nutzern in der Regel daran, dass diese ihre Daten nicht teilen wollen, aus Angst, mit den Daten ihren Wettbewerbsvorteil zu verlieren. Während also die erforderlichen Daten bereits auf der Maschine erfasst werden, stehen sie für maschinelles Lernen nicht zur Verfügung – Katulu nennt dies das Dilemma der verteilten Daten (Distributed Data Dilemma).

Lösung

Dezentrale KI für die Prognose von Werkzeugverschleiß

Katulus einzigartiger dezentraler KI-Ansatz ermöglicht das Lernen über verschiedene Standorte, Maschinen, Werkzeuge und Arbeitsmaterialien hinweg, während alle sensiblen Daten sicher bei den Benutzern verbleiben, sodass niemand befürchten muss, seine Wettbewerbsfähigkeit zu verlieren. Dies löst das Dilemma der verteilten Daten und bietet Zugriff auf die relevanten Daten für eine hochmoderne Lösung zur Prognose des industriellen Werkzeugverschleißes, die Online-Schätzungen des Werkzeugverschleißzustands wie Verschleißtiefe, RUL und Zustandsprognosen ermöglicht.

Kommt Ihnen dieses Szenario bekannt vor?

Lassen Sie uns über Ihren Anwendungsfall sprechen. Wir freuen uns darauf, von Ihnen zu hören.

Book Appointment

Wie man mit dem Aufbau einer KI für die Überwachung von Werkzeugverschleiß und Prognosen beginnt.

Die Entwicklung eines dezentralisierten (federated) Modells beginnt, wie jedes andere Modell, mit der ersten experimentellen Datenerfassung. Erfassen Sie Daten wie Kräfte, Drehmomente und Motorströme in einem Technikum oder Labor. Es ist wichtig, nur Daten zu sammeln, die auch in Produktionsumgebungen verfügbar sind, damit die Erkenntnisse in der Produktion anwendbar sind. Ein Laborprozess zur Verschleißmessung sowie Mechanismen zur Ersatzkennzeichnung aus Daten können die notwendigen Werkzeugverschleißkennzeichnungen liefern. Der nächste Schritt besteht darin, die physikalischen Eigenschaften des Werkzeugmaschinenprozesses mithilfe von Signalverarbeitungstechniken wie Katulus Signals Library zu extrahieren. Die extrahierten Merkmale werden dann zusammen mit den Daten verwendet, um ein maschinelles Lernmodell basierend auf der Temporal-Deep-Learning-Architektur von Katulu für die Überwachung und Prognose des Werkzeugverschleißes zu trainieren.

Sie können das Katulu Uniwear Dataset sowie das Uniwear Modeling Example als Ausgangspunkt nutzen.

MVP oder das erste funktionsfähige Produkt

Wenn das erste Modell fertig ist, muss der Datenfluss zwischen Maschine und Edge-Geräten, auf denen das Werkzeugverschleißmodell ausgeführt wird, basierend auf dem gewünschten Bereitstellungsszenario eingerichtet werden. Man muss auch einen Prozess zum direkten oder indirekten Erfassen von Benutzerfeedback entwerfen – vielleicht eine Schaltfläche, um dem prognostizierten Werkzeugzustand innerhalb einer Werkzeugverwaltungslösung zuzustimmen bzw. nicht zuzustimmen, oder eine andere Datenquelle wie bspw. die Produktqualitätsbewertung stellvertretend für den Werkzeugverschleiß.

Damit ist das MVP fertig. Beginnen Sie mit einer kleinen Beta-Version, um anfängliche Schwachstellen zu beheben. Mit den Nutzern bekommen Sie Zugriff auf die erforderlichen Daten und können robustere Modelle trainieren.

Clustered Federated Learning (CFL) im Werkzeugverschleiß

Eine Federated Learning Lösung für Werkzeugmaschinen sollte in der Lage sein, mit unterschiedlichen Schnittbedingungen, Arbeitsmaterialien und Werkzeugeigenschaften umzugehen. Die Clustered Federated Learning Algorithmen von Katulu bieten im Vergleich zum nicht geclusterten Federated Learnind eine deutliche Verbesserung bei der Erkennung von Werkzeugverschleiß. Darüber hinaus machen die dynamische Art der Werkzeugmaschinennutzung zwischen verschiedenen Maschinen und Materialien und die unregelmäßige Planung von Schneidprozessen dynamisches Clustered Federation Learning zu einem hervorragenden Ansatz für verteilte Umgebungen.

Kontinuierliche Verbesserung

Die lokale Online-Lernumgebung für unser Werkzeugverschleiß-MVP bietet Modellerstellung und -nutzung nahezu in Echtzeit. Dieses kontinuierliche Lernen erfasst Änderungen in Schnittbedingungen, Werkstück- und Werkzeugmaterialien.

Von verschiedenen Teilnehmern übertragene Erkenntnisse verbessern im Laufe der Zeit die grundlegenden KI-Module. Zusammen mit der schrittweisen Einführung neuer Signaleigenschaften und der Feinabstimmung der Architektur wird im Laufe der Zeit eine immer bessere Lösung erzielt.

Katulu Platform Pipeline, Recurring Run and Logs screenshot

Sind Sie bereit für Ihre Reise ins verteilte maschinelle Lernen?

Wir freuen uns darauf, Sie bei Ihren Ideen und Projekten zu unterstützen.

Book Appointment

Vorteile von der Katulu Platform

Die Herausforderungen bei Werkzeugmaschinen sind komplex, z. B. die Verwendung mehrerer Werkstückmaterialien in den Produktionslinien und die unregelmäßige Verwendung derselben Werkzeuge in unterschiedlichen Zeitplänen. Darüber hinaus kann die Bearbeitung von Werkzeugmaschinen an verschiedenen Orten und in verschiedenen Unternehmen stattfinden, die Datenschutzanforderungen stellen.

Steigerung des Nutzens und der Produktivität von Werkzeugen

Um eine höhere Produktivität durch eine verbesserte Werkzeugnutzung zu erreichen, ist eine KI-gestützte Überwachung des Werkzeugverschleißes erforderlich. Die Technologien von Katulu schaffen die notwendige Infrastruktur und Werkzeuge, um dieses Ziel nahtlos zu erreichen.

Höhere Maschinenverfügbarkeit durch Restnutzungsdauer

Haben Sie eine erstklassige Werkzeugmaschine oder eine verwandte Verarbeitung, die nur selten ausfällt? Katulu hilft Ihnen, seltene Ausfälle aufgrund einer unbekannten Restnutzungsdauer (RUL) von Werkzeugmaschinen mit intelligenter Werkzeugzustandsüberwachung zu verhindern. Der KI-gestützte Ansatz bringt Nachhaltigkeit in den Produktlebenszyklus und verhindert außerplanmäßige Wartungsereignisse.

Erhöhung der Prozessstabilität

Schaffen Sie mit Katulu die Voraussetzungen für eine erhöhte Prozessstabilität für alle Maschinen-, Werkzeug- und Materialkombinationen in der Praxis und verbessern Sie die Qualität mit erhöhter Effizienz. Die Werkzeugmaschinenlösung von Katulu verhindert Werkzeugmaschinenbrüche, die die Stärke des gesamten Fertigungsprozesses beeinträchtigen würden und erkennt frühzeitig hohen Werkzeugverschleiß.

Wissen nutzbar machen

Ob Mitarbeiterwechsel oder demografischer Wandel, Katulu macht es Ihnen und Ihren Anwendern leicht, empirisches Prozesswissen über Unternehmensgrenzen hinweg zu erfassen und zu nutzen. Da Ihre industriellen Anwender durch den Einsatz von Katulu Federated Learning voneinander lernen, ohne übereinander zu lernen, sind Ihre Anwender dennoch geschützt.

Automatisches Clustering als Wegbereiter der KI

Maschinen werden in unterschiedlichen Umgebungen und Prozessen eingesetzt und sind entsprechend konzipiert. Dies macht es schwierig, zu bestimmen, welche Einstellungen gemeinsam trainiert werden können, wenn keine Informationen ausgetauscht werden.

Katulu Federated Learning erkennt, welche Maschinen und Baugruppen aufgrund ihrer Konstruktion gemeinsam trainiert werden können, und gruppiert sie automatisch zu Clustern, die gemeinsam trainiert werden können. Änderungen an der Konstruktion einer Maschine werden automatisch erkannt und führen zu einer Anpassung der Gruppierung. So wird sichergestellt, dass jede Maschine - egal wie individuell - von anderen vergleichbaren Maschinen oder Baugruppen lernt.

Wahre Datensouveränität

Schützen Sie die Datensouveränität aller. Maschinenbauer, Werkzeughersteller und industrielle Anwender profitieren vom Wissensgewinn, ohne sensible Daten zu teilen.