Kogemus ja tehnoloogia: Weinheimis asuv Simmerring® tootmine on kunstliku intelligentsuse uurimisprojekti raamistikuks.
Kompaktne
Weinheimis asuvas Simmerring® tootmises viiakse läbi uurimisprojekt tööstusprotsesside parandamiseks tehisintellekti (AI) abil.
Projekti eesmärk on kasutada tehisintellekti, et prognoosida survevalu elastomeerist komponentide kvaliteediomadusi ja optimeerida tootmisprotsesse. Keskendutakse tagasilükkamise vähendamisele ja tõhususe suurendamisele.
Tavapärased tehisintellekti lähenemisviisid nõuavad suuri andmehulki. Siin kasutatav meetod hõlmab aga füüsikalisi seoseid ja kolleegide teadmisi, et vähendada vajalikke treeningandmeid ja arendusaega.
Uuringut laiendati mitmele masina tüübile ja artiklile, et kanda teadmisi üle võimalikult paljudele toodetele ja samal ajal tagada toote kvaliteet.
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 on aastaid tegelenud sellega, kuidas tööstusprotsesse saab tehisintellekti abil parandada. Saksa Kautšukitehnoloogia Instituudi doktorandina töötab ta Freudenbergi tehnoloogiainnovatsiooni (FTI) ettevõtte funktsioonis. Ta on oma doktoritöö raames teinud tehnilises keskuses palju katseid. “Minu eesmärk oli kanda oma tulemused üle konkreetsetele Freudenbergi toodetele. Selleks, et saada põhjalik ülevaade protsessidest, oli minu jaoks eriti oluline viibida kohapeal. Tahtsin tootmisprotsessi üksikasjalikult tundma õppida ja otsida tihedat dialoogi kogenud kolleegidega, kes töötavad süsteemidega iga päev ja omavad põhjalikke praktilisi teadmisi.” Nii kirjeldab ta põhjusi, miks ta umbes aasta tagasi oma tegevuskeskuse ajutiselt Weinheimi Simmerring® tootmisüksusesse kolis.
Sarang Etemadi, Weinheimi Dynamic Sealingi osakonna tegevjuht, toetas seda projekti. “Me ei tee seda mitte sellepärast, et AI on kõigi huulil kõlav märksõna, vaid sellepärast, et me usume, et AI-l on majanduslik potentsiaal. AI peab aitama meie inimesi tootmises. Seda silmas pidades oli meil hea meel pakkuda Alexander Olbrichile innovatsiooniplatvormi tema tehisintellekti uurimisprojekti raames. See on mõlemale poolele kasulik olukord, mis aitab meil oma protsesside mitmekesisust ja keerukust veelgi paremini hallata,” teatab ta.
Prognoosige omadusi, optimeerige protsesse
Kuidas saab tehisintellekti abil prognoosida survevalu elastomeerist komponentide kvaliteediomadusi? Ja kuidas saab tehisintellekti mudelite abil optimeerida tootmisprotsessi? Olbrichi puhul keskenduti konkreetselt kahele teemale: esiteks praakimise vähendamisele ja teiseks tõhususe suurendamisele optimeeritud tsükliaegade abil.
Ta kasutab terminit “viskoossuse häired”, et kirjeldada praakide küsimust. Isegi väikesed kõikumised üksikutes segupartiides ja muutuvad keskkonnatingimused mõjutavad materjali voolamise käitumist survevalu ajal. See võib põhjustada vormiõõnsuste alatäitumist või ületäitumist. Tulemuseks on praakimine. Sellised materjalijäätmed suurendavad tootmiskulusid.
Muud liiki tagasilükkamised on omakorda otseselt seotud tõhusust piiravate protsessimuutujatega. Näiteks võivad alatihendatud komponentidel olla mullid või defektid. See toob kaasa keerulise konflikti saavutatavate tsükliperioodide ja tagasilükkamismäärade vahel. Sellest tulenev optimaalne tööpunkt võib omakorda muutuda partiide ja keskkonna kõikumise tõttu.
“Mõte on selles, et me arvutame nende kõikumiste mõju ja määrame selle põhjal optimaalse vulkaniseerimise ja tsükli kestuse optimaalsel temperatuuril,” selgitab ta. Vormide määrdumine võib põhjustada ka tarbetuid tootmisjäätmeid – Olbrich on seetõttu oma uuringutes ka seda arvesse võtnud.
Vasakult paremale: Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Teadmiste edasiandmine
Traditsioonilised tehisintellekti lähenemisviisid nõuavad suurt hulka sisukaid andmeid, et luua oma lahendusteadmisi masinõppe abil. See on lähteolukord, mida tootmiskeskkonnas tavaliselt ei ole, sest tootevariantide ja eri tootjate eri vanuses masinate arv on suur. Selle probleemi lahenduseks protsessi modelleerimisel on füüsikaliste seoste ja kohapealsete spetsialistide oskusteabe arvestamine.
See määras Olbrichi lähenemisviisi: Katsekavade käivitamine, andmete lugemine ja hindamine, seejärel masinõppe mudelite väljatöötamine, millel on ennustusvõime, ja lõpuks kontrollialgoritmide rakendamine, mis parandavad vigu ja optimeerivad protsessi. “Seadmete seadistajate kogemuste ja meie kolleegide oskusteabe kaasamine protsessitehnika valdkonnas oli otsustava tähtsusega, et vähendada oluliselt vajalikke treeningandmeid ja sellega seotud arendusaega,” ütleb Olbrich. Seda, mis algselt algas ühe masina ühe artikliga, laiendas ta hiljem Weinheimi Simmerringi tootmise mitmele masina tüübile ja artiklile. “Arvestades tehase laia variatsioonivalikut, on eesmärk kanda teadmised üle võimalikult paljudele artiklitele,” selgitab ta.
Kuna toote kvaliteet ei tohi tõhususe suurendamise tõttu kannatada, näitavad katsekatsed, kas soovitud omadused on ka pärast protsessi kohandamist säilinud. Olbrich rõhutab: “Lõpptoodete kvaliteet on esmatähtis. Tulevase kasutatavuse tagamiseks on oluline kaasata tihedalt tootearenduse kolleegid, et optimeeritud esemete funktsionaalsust kriitiliselt testida.”
Olbrichi teadustöö põhineb ideel, et masinad suudavad AI abil tuvastada, kui on probleem, ja algatada kohe samme protsessi optimeerimiseks. Alternatiivselt toetab tehisintellekt töötajaid ettepanekutega protsessi kohandamiseks. Nii tema kui ka Etemadi teevad ühe asja selgeks: tehisintellekt on abivahend, mitte imerohi. Etemadi ütleb: “Tehisintellekt võib luua läbipaistvust, teha nähtavaks vead ja kõikumised, mida muidu oleks peaaegu võimatu ära tunda. Kuid meie inimesed jäävad oma teadmiste ja kogemustega tohutult oluliseks.” Ta lisab: “Meie protsessid tekitavad palju andmeid. Neid tuleb analüüsida. Koos meie tootmise rakendussüsteemiga (MES) saab tehisintellektuaaltehnoloogia seda hindamist oluliselt toetada, et optimeerida meie protsesse. Alexander Olbrichi uurimistöö tõestab, et see toimib.”
Innovatsioon koos – ka koos Kufsteiniga
Olbrichi doktoritöö viis ta ka Lead Centre Integrated Molded Components’i tehasesse Kufsteinis. “Kufsteinis keskenduti solenoidventiilide kallutatavate armatuuride tootmisel praakide vähendamisele ja tsükliaja optimeerimisele. Austria kolleegid on muljetavaldaval tehnoloogilisel tasemel ja suutsid pakkuda minu töö jaoks parimaid lähtetingimusi,” selgitab ta. Kahe kasutusviisi sarnasus võimaldab palju positiivset sünergiat tootmiskohtade vahel. Tänu ühisele koostööle Special Sealing Products Divisioni digitaliseerimise ekspertidega sai välja töötatud lahendused üle viia esimestesse demonstratsioonirakendustesse. Olbrichi töö algatas ka vahetuse kahe juhtiva keskuse vahel: leida standardid ja vajalikud raamtingimused tehisintellekti kasutamiseks, mida saab FST-siseselt skaleerida, st kasutada laialt. “See on Innovating Together,” võtab Etemadi kokku.
Freudenbergis toimib see ka väljaspool FST-d. “Ühisprojekti puhul koos Freudenberg Home and Cleaning Solutions’iga Itaalias suutsime FST-ga Weinheimis ja Kufsteinis välja töötatud lahendusi – muudetud kujul – üle kanda termoplastide survevalu ja viia need üle pilootprotsessi,” teatab Olbrich. Järgmiseks on tema jaoks ette nähtud välismaal viibimine Freudenberg Medicalis USAs. Ja mingil hetkel “vahepeal” peab ta oma projektid ja tulemused doktoritööks kirja panema – muidugi ilma AI toetuseta.
