Doświadczenie spotyka się z technologią: produkcja Simmerring® w Weinheim jest miejscem projektu badawczego nad sztuczną inteligencją.
Kompaktowy
W zakładzie produkcyjnym Simmerring® w Weinheim realizowany jest projekt badawczy mający na celu usprawnienie procesów przemysłowych z wykorzystaniem sztucznej inteligencji (AI).
Projekt ma na celu wykorzystanie sztucznej inteligencji do przewidywania właściwości jakościowych formowanych wtryskowo komponentów elastomerowych i optymalizacji procesów produkcyjnych. Nacisk kładziony jest na zmniejszenie liczby odrzutów i zwiększenie wydajności.
Konwencjonalne podejścia do sztucznej inteligencji wymagają dużych ilości danych. Jednak zastosowana tutaj metoda uwzględnia korelacje fizyczne i wiedzę kolegów w celu zmniejszenia wymaganych danych szkoleniowych i czasu opracowywania.
Badania zostały rozszerzone na kilka typów maszyn i artykułów, aby przenieść wiedzę na jak największą liczbę artykułów, a jednocześnie zapewnić jakość produktu.
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 od lat pracuje nad tym, jak można usprawnić procesy przemysłowe za pomocą sztucznej inteligencji (AI). Jako doktorant w Niemieckim Instytucie Technologii Gumy pracuje w dziale korporacyjnym Freudenberg Technology Innovation (FTI). W ramach swojej pracy doktorskiej przeprowadził wiele eksperymentów w centrum technicznym. „Moim celem było przeniesienie wyników na konkretne produkty Freudenberg. Aby uzyskać solidne zrozumienie procesów, szczególnie ważne było dla mnie przebywanie na miejscu. Chciałem szczegółowo poznać proces produkcji i nawiązać bliski dialog z doświadczonymi kolegami, którzy codziennie pracują nad systemami i mają dogłębną wiedzę praktyczną”. W ten sposób opisuje powody, dla których około rok temu tymczasowo przeniósł swoje centrum operacyjne do zakładu produkcyjnego Simmerring® w Weinheim.
Sarang Etemadi, dyrektor operacyjny oddziału Dynamic Sealing w Weinheim, poparł ten projekt. „Nie robimy tego, ponieważ sztuczna inteligencja jest modnym słowem na ustach wszystkich, ale dlatego, że wierzymy, że sztuczna inteligencja ma potencjał ekonomiczny. AI musi pomóc naszym pracownikom w produkcji. Mając to na uwadze, z przyjemnością zaoferowaliśmy Alexandrowi Olbrichowi platformę innowacji w ramach jego projektu badawczego AI. To sytuacja korzystna dla obu stron, która pomaga nam jeszcze lepiej opanować różnorodność i złożoność naszych procesów” – informuje.
Przewidywanie właściwości, optymalizacja procesów
W jaki sposób można przewidzieć właściwości jakościowe formowanych wtryskowo elementów elastomerowych za pomocą sztucznej inteligencji? I jak można zoptymalizować proces produkcji w oparciu o modele AI? W przypadku firmy Olbrich skupiono się w szczególności na dwóch tematach: po pierwsze, zmniejszeniu liczby odrzutów, a po drugie, zwiększeniu wydajności poprzez optymalizację czasów cykli.
Używa on terminu „zaburzenia lepkości”, aby opisać kwestię odrzutów. Nawet niewielkie wahania w poszczególnych partiach mieszania i zmieniające się warunki otoczenia wpływają na zachowanie przepływu materiału podczas formowania wtryskowego. Może to prowadzić do niedopełnienia lub przepełnienia wnęk formy. Rezultat: odrzuty. Takie straty materiału zwiększają koszty produkcji.
Inne rodzaje odrzutów są z kolei bezpośrednio powiązane ze zmiennymi procesu ograniczającymi wydajność. Na przykład, niedostatecznie usieciowane komponenty mogą mieć pęcherzyki powietrza lub wady wlewu. Skutkuje to złożonym konfliktem wartości docelowych między osiągalnymi czasami cyklu a wskaźnikami odrzutów. Wynikający z tego optymalny punkt operacyjny może z kolei ulec zmianie z powodu wahań partii i środowiska.
„Chodzi o to, aby obliczyć wpływ tych wahań i na tej podstawie określić optymalny czas wulkanizacji i cyklu w optymalnej temperaturze” – wyjaśnia. Zanieczyszczenie formy może również powodować niepotrzebne straty produkcyjne – dlatego Olbrich wziął to również pod uwagę w swoich badaniach.
Od lewej do prawej: Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Transfer wiedzy
Tradycyjne podejścia do sztucznej inteligencji wymagają dużych ilości znaczących danych, aby zbudować swoją wiedzę na temat rozwiązań wykorzystujących uczenie maszynowe. Jest to sytuacja wyjściowa, która zwykle nie występuje w środowisku produkcyjnym ze względu na dużą liczbę wariantów produktów i maszyn w różnym wieku od różnych producentów. Rozwiązaniem tego problemu podczas modelowania procesu jest uwzględnienie korelacji fizycznych i wiedzy specjalistów na miejscu.
To zdeterminowało podejście Olbricha: Uruchamianie planów testowych, odczytywanie i ocena danych, a następnie opracowywanie modeli uczenia maszynowego z mocą predykcyjną i wreszcie wdrażanie algorytmów sterowania, które korygują błędy i optymalizują proces. „Wykorzystanie doświadczenia ustawiaczy i wiedzy naszych kolegów z działu inżynierii procesowej miało kluczowe znaczenie dla radykalnego zmniejszenia ilości niezbędnych danych szkoleniowych i związanego z tym czasu opracowywania” – mówi Olbrich. To, co początkowo rozpoczęło się na jednej maszynie z jednym artykułem, później rozszerzyło się na kilka typów maszyn i artykułów produkcji Weinheim Simmerring. „Biorąc pod uwagę szeroki zakres wariantów w zakładzie, celem jest przeniesienie wiedzy na jak największą liczbę artykułów” – wyjaśnia.
Ponieważ jakość produktu nie może ucierpieć w wyniku zwiększonej wydajności, testy stanowiskowe pokazują, czy pożądane właściwości są nadal obecne po dostosowaniu procesu. Olbrich podkreśla: „Jakość produktów końcowych ma najwyższy priorytet. Aby zapewnić przyszłą użyteczność, ważne jest ścisłe zaangażowanie kolegów z działu rozwoju produktu w celu krytycznego przetestowania funkcjonalności zoptymalizowanych elementów”.
Badania Olbricha opierają się na założeniu, że maszyny mogą wykorzystywać sztuczną inteligencję do rozpoznawania problemów i natychmiastowego inicjowania kroków w celu optymalizacji procesu. Alternatywnie, sztuczna inteligencja wspiera pracowników sugestiami dotyczącymi dostosowania procesu. Zarówno on, jak i Etemadi mówią jasno: sztuczna inteligencja to pomoc, a nie panaceum. Etemadi mówi: „Sztuczna inteligencja może zapewnić przejrzystość, uwidocznić błędy i wahania, które w przeciwnym razie byłyby prawie niemożliwe do rozpoznania. Ale nasi ludzie pozostają niezwykle ważni dzięki swojej wiedzy i doświadczeniu”. Dodaje: „Nasze procesy generują wiele danych. Należy je przeanalizować. W połączeniu z naszym systemem realizacji produkcji (MES), sztuczna inteligencja może znacząco wesprzeć tę ocenę w celu optymalizacji naszych procesów”. Prace badawcze Alexandra Olbricha dowodzą, że to działa”.
Wspólne innowacje – również z Kufstein
Praca doktorska Olbricha zaprowadziła go również do zakładu Lead Centre Integrated Molded Components w Kufstein. „W Kufstein skupiliśmy się na zmniejszeniu liczby odrzutów i optymalizacji czasów cykli w produkcji uchylnych armatur do zaworów elektromagnetycznych. Austriaccy koledzy są na imponującym poziomie technologicznym i byli w stanie zapewnić najlepsze warunki początkowe dla mojej pracy” – wyjaśnia. Podobieństwo obu przypadków użycia umożliwia wiele pozytywnych synergii między zakładami. Dzięki wspólnej współpracy z ekspertami ds. cyfryzacji z Działu Specjalnych Produktów Uszczelniających, opracowane rozwiązania mogły zostać przeniesione do pierwszych aplikacji demonstracyjnych. Praca Olbricha zainicjowała również wymianę między dwoma wiodącymi ośrodkami: znalezienie standardów i niezbędnych warunków ramowych dla wykorzystania sztucznej inteligencji, które można skalować w ramach FST, tj. stosować na szeroką skalę. „To są wspólne innowacje”, podsumowuje Etemadi.
W firmie Freudenberg działa to również poza FST. „W ramach wspólnego projektu z Freudenberg Home and Cleaning Solutions we Włoszech byliśmy w stanie przenieść rozwiązania opracowane z FST w Weinheim i Kufstein – w zmodyfikowanej formie – do formowania wtryskowego tworzyw termoplastycznych i przenieść je do procesu pilotażowego” – informuje Olbrich. Następnie czeka go pobyt za granicą w Freudenberg Medical w USA. A w pewnym momencie „pomiędzy” będzie musiał napisać swoje projekty i odkrycia jako pracę doktorską – oczywiście bez wsparcia AI.
