Zkušenosti se potkávají s technologií: výroba Simmerring® ve Weinheimu je dějištěm výzkumného projektu v oblasti umělé inteligence.
Kompaktní
Ve výrobním závodě Simmerring® ve Weinheimu probíhá výzkumný projekt zaměřený na zlepšení průmyslových procesů pomocí umělé inteligence (AI).
Cílem projektu je využít umělou inteligenci k předvídání kvalitativních vlastností vstřikovaných elastomerových dílů a optimalizaci výrobních procesů. Důraz je kladen na snížení zmetků a zvýšení efektivity.
Běžné přístupy umělé inteligence vyžadují velké množství dat. Zde použitá metoda však zahrnuje fyzikální korelace a odborné znalosti kolegů, aby se zkrátily potřebné trénovací údaje a doba vývoje.
Výzkum byl rozšířen na několik typů strojů a výrobků, aby se poznatky přenesly na co největší počet výrobků a zároveň byla zajištěna kvalita výrobků.
Das Projekt hat zudem die Zusammenarbeit mit anderen Freudenberg-Standorten, darunter Kufstein und Freudenberg Home and Cleaning Solutions in Italien, initiiert, um KI-Lösungen zu übertragen und zu skalieren.
Alexander Olbrich se již několik let zabývá tím, jak lze pomocí umělé inteligence (AI) zlepšit průmyslové procesy. Jako doktorand na Německém institutu gumárenské technologie pracuje pro podnikovou funkci Freudenberg Technology Innovation (FTI). V rámci své disertační práce provedl v technickém centru spoustu experimentů. „Mým cílem bylo přenést své výsledky na konkrétní výrobky společnosti Freudenberg. Abych získal důkladné znalosti o procesech, bylo pro mě obzvláště důležité být přímo na místě. Chtěl jsem se podrobně seznámit s výrobním procesem a usilovat o úzký dialog se zkušenými kolegy, kteří na systémech pracují každý den a mají hluboké praktické znalosti.“ Takto popisuje důvody, proč zhruba před rokem dočasně přesunul centrum svých aktivit do výrobního závodu Simmerring® ve Weinheimu.
Tento projekt podpořil Sarang Etemadi, vedoucí provozního oddělení divize Dynamic Sealing ve Weinheimu. „Neděláme to proto, že AI je módní slovo, které mají všichni na jazyku, ale protože očekáváme, že AI má ekonomický potenciál. AI musí pomáhat našim lidem ve výrobě. S ohledem na to jsme Alexandru Olbrichovi rádi nabídli platformu pro inovace v rámci jeho výzkumného projektu AI. Je to oboustranně výhodná situace, která nám pomáhá ještě lépe zvládat rozmanitost a složitost našich procesů,“ uvádí.
Předpovídání vlastností, optimalizace procesů
Jak lze pomocí umělé inteligence předpovídat kvalitativní vlastnosti vstřikovaných elastomerových dílů? A jak lze na základě modelů AI optimalizovat výrobní proces? Společnost Olbrich se zaměřila konkrétně na dvě témata: zaprvé na snížení zmetků a zadruhé na zvýšení efektivity prostřednictvím optimalizace doby cyklu.
K popisu problematiky zmetků používá termín „poruchy viskozity“. I drobné výkyvy v jednotlivých dávkách směsi a měnící se okolní podmínky ovlivňují tokové chování materiálu při vstřikování. To může vést k nedostatečnému nebo nadměrnému plnění dutin formy. Výsledek: zmetky. Takový odpad materiálu zvyšuje výrobní náklady.
Jiné typy zmetků zase přímo souvisejí s proměnnými omezujícími účinnost procesu. Například nedostatečně zesítěné součásti mohou mít bubliny nebo vtokové vady. To vede ke složitému konfliktu cílových hodnot mezi dosažitelnou dobou cyklu a mírou zmetkovitosti. Výsledný optimální provozní bod se zase může posunout v důsledku kolísání šarže a prostředí.
„Jde o to, že vypočítáme vliv těchto výkyvů a na základě toho určíme optimální dobu vulkanizace a cyklu při optimální teplotě,“ vysvětluje. Znečištění formy může také způsobit zbytečný výrobní odpad – Olbrich proto ve svém výzkumu zohlednil i tuto skutečnost.
Zleva doprava: Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Přenos znalostí
Tradiční přístupy umělé inteligence vyžadují velké množství smysluplných dat, aby mohly vytvořit své odborné řešení pomocí strojového učení. To je výchozí situace, která ve výrobním prostředí obvykle neexistuje vzhledem k velkému množství variant výrobků a strojů různého stáří od různých výrobců. Řešením tohoto problému při modelování procesu je zohlednění fyzikálních korelací a odborných znalostí specialistů na místě.
To určilo Olbrichův přístup: Poté vyvinul modely strojového učení s prediktivní schopností a nakonec implementoval řídicí algoritmy, které opravují chyby a optimalizují proces. „Zapojení zkušeností seřizovačů a odborných znalostí našich kolegů z procesního inženýrství bylo klíčové pro výrazné zkrácení potřebných trénovacích dat a souvisejících časů vývoje,“ říká Olbrich. To, co původně začalo na jednom stroji s jedním článkem, později rozšířil na několik typů strojů a článků výroby Weinheim Simmerring. „Vzhledem k široké škále variant v závodě je cílem přenést znalosti na co nejvíce článků,“ vysvětluje.
Protože zvýšením účinnosti nesmí utrpět kvalita výrobku, testy na zkušební stolici ukazují, zda jsou požadované vlastnosti zachovány i po úpravě procesu. Olbrich zdůrazňuje: „Kvalita konečných výrobků má nejvyšší prioritu. Pro zajištění budoucí použitelnosti je důležité úzce zapojit kolegy z vývoje výrobků, aby bylo možné kriticky otestovat funkčnost optimalizovaných položek.“
Olbrichův výzkum je založen na myšlence, že stroje mohou pomocí umělé inteligence rozpoznat problém a okamžitě zahájit kroky k optimalizaci procesu. Případně umělá inteligence podporuje pracovníky návrhy na úpravu procesu. On i Etemadi jasně říkají jednu věc: AI je pomůcka, nikoliv všelék. Etemadi říká: „Umělá inteligence může vytvořit transparentnost, zviditelnit chyby a výkyvy, které by jinak bylo téměř nemožné rozpoznat. Naši lidé však zůstávají se svými odbornými znalostmi a zkušenostmi nesmírně důležití.“ A dodává: „Naše procesy generují velké množství dat. Ta je třeba analyzovat. V kombinaci s naším systémem MES (Manufacturing Execution System) může umělá inteligence toto vyhodnocování významně podpořit, aby bylo možné naše procesy optimalizovat. Výzkumná práce Alexandra Olbricha dokazuje, že to funguje.“
Inovace společně – také se společností Kufstein
Olbrichova doktorská práce ho zavedla také do závodu Lead Centre Integrated Molded Components v Kufsteinu. „V Kufsteinu se zaměřil na snížení zmetků a optimalizaci doby cyklu při výrobě naklápěcích armatur pro elektromagnetické ventily. Rakouští kolegové jsou na impozantní technologické úrovni a dokázali mi poskytnout ty nejlepší výchozí podmínky pro mou práci,“ vysvětluje. Podobnost obou případů použití umožňuje mnoho pozitivních synergií mezi oběma pracovišti. Díky společné spolupráci s odborníky na digitalizaci z divize speciálních těsnicích výrobků bylo možné vyvinutá řešení přenést do prvních demonstračních aplikací. Olbrichova práce také iniciovala výměnu mezi oběma vedoucími středisky: najít standardy a nezbytné rámcové podmínky pro využití umělé inteligence, které lze v rámci FST škálovat, tj. využívat v širokém měřítku. „To je Inovace společně,“ shrnuje Etemadi.
Ve společnosti Freudenberg to funguje i nad rámec FST. „V rámci společného projektu se společností Freudenberg Home and Cleaning Solutions v Itálii se nám podařilo přenést řešení vyvinutá v rámci FST ve Weinheimu a Kufsteinu – v modifikované podobě – na vstřikování termoplastů a převést je do pilotního procesu,“ uvádí Olbrich. Dalším jeho cílem je zahraniční pobyt ve společnosti Freudenberg Medical v USA. A někdy „mezitím“ bude muset své projekty a poznatky sepsat jako doktorskou práci – samozřejmě bez podpory AI.
