Mehr Produktivität, weniger Servicefälle durch Factory Agents

Abstrahiert liegt die Ursache eines Qualitätsproblems in der Abweichung von einer Vorgabe oder Norm – im Grunde ein prädestinierter Anwendungsfall für eine smarte IT-Lösung. Die häufig reaktive und teure Realität in Unternehmen ist jedoch: Erst über Rückmeldungen aus Servicefällen werden Güteprobleme bei der Fertigung identifiziert und danach behoben. Garantiefälle, Nacharbeiten, Werkstattzeiten; hinzu kommen unzufriedene Kunden, die ihren Unmut kundtun. 

Konkreter: Auf Grundlage von Erfahrungen und unter Einbeziehung von qualifizierten, teuren Experten erfolgt eine manuelle, unstrukturierte Ursachenanalyse, in der Regel über mehrere Systeme verteilt. Im Produktionsablauf entstehen allerdings – oft hunderte oder tausende – Warnmeldungen pro Tag; die vielen Quellen und möglichen Ursachen erschweren und verlängern die Auswertung und Bearbeitung solcher Service Alerts – oder machen die durchgängige Prüfung aus Kapazitätsgründen gar unmöglich. 

Diese Ausgangslage lässt drei Zielformulierungen zur Verbesserung zu:

• erstens eine Vereinfachung der Analyse und Beschleunigung der effektiven Kommunikation bei festgestellten Qualitätsproblemen mit den beteiligten Stakeholdern – also Vertrieb, Servicemanager, Kunden, Partner, Lieferanten et cetera,
• zweitens die Vermeidung von Qualitätsproblemen während der Produktion, soweit als möglich,
• drittens eine Reduzierung der Aufwände bei allen involvierten Ansprechpartnern aus Vertragsmanagement, Einkauf und Qualitätsmanagement (QM).

Die Anforderungen für eine smarte Transformation der Fertigung sind damit:

• die Erzeugung von kontextrelevanten beziehungsweise aktionsrelevanten Einblicken
• die Unterstützung von Entscheidungen auf Basis von Daten, und zwar im Hinblick auf mögliche Qualitätsabweichungen sowie gegebenenfalls Behebung der Probleme und Ursachen
• die Automatisierung dieser Aktivitäten auf Basis erkannter Muster

Standards vereinfachen die Anwendung

Damit entsprechende Vorhaben mit Blick auf die Aufwände und Skalierbarkeit sinnvoll realisierbar sind, helfen Standards wie ISA-95, um ein einheitliches Datenmodell zu nutzen. Dieses bildet die Grundlage, um eine Vereinheitlichung und Kontextualisierung von Fertigungsdaten – Top Floor und Shop Floor, IT und OT – zu ermöglichen, unter Beibehaltung der jeweiligen Quellsysteme. Weiterhin ist es auch die Basis für die effiziente Einführung von künstlicher Intelligenz beziehungsweise KI-Agenten im Sinne sogenannter Factory Agents.

Industrielle KI und virtuelle Zwillinge in Aktion erleben

Am Stand von Dassault Systèmes kann man in eine vollständig vernetzte Fabrik der Zukunft eintreten und erleben, wie Menschen, Maschinen und mobile Roboter nahtlos zusammenarbeiten – basierend auf KI-gestützten virtuellen Zwillingen, die durch Softwarebibliotheken von NVIDIA optimiert werden.

Redaktion Automation NEXT

Denn: Daten liegen meist in unterschiedlichen Systemen vor, in anwendungsspezifischen Formaten und Speicherstrukturen. Einheitliche Referenzen gibt es nur teilweise, wenn etwa das MES mit Daten aus dem ERP versorgt wird. Um nun alle vorhandenen Daten brauchbar zu machen, müssen diese zunächst in eine einheitliche Struktur überführt werden – genau hier kommt ISA-95 ins Spiel; dessen Ontologie bildet die wichtigsten Fertigungsprozesse auf einer abstrakten Wissensebene (Modelle) ab, auf der alle Informationen gespeichert sind und die Verbindungen und Interaktionen zwischen den verschiedenen Einheiten definiert sind.

Über die Darstellung der Daten als Knoten und Beziehungen in sogenannten Knowledge-Graphen lassen sich auch komplexe und detaillierte Strukturen abbilden, sodass eingehende Daten in Relation gesetzt werden können. Mithin ist dies der zentrale Enabler, um digitale Initiativen wie beispielsweise KI-Anwendungen über verschiedene Use Cases, Rollen, Assets, Fertigungslinien und Werke hinweg zu skalieren.

Ein typisches Beispiel: Verlustrate – Ausfallzeit – Schrittdauer

Um dies zu konkretisieren, hilft ein exemplarischer Anwendungsfall. Neben den Maschinendaten werden in diesem Beispiel Kennzahlen wie Verlustrate, Ausfallzeit und Schrittdauer in das ISA-95-Modell überführt. Verlustrate und Ausschussmengen werden dabei den jeweiligen Produkten, Linien und Schichten zugeordnet, Ausfallzeiten den betroffenen Maschinen und Arbeitsschritten. Auf dieser Basis können Qualitäts- und Effizienzauswirkungen gezielt analysiert und mit konkreten Ursachen im Produktionsablauf verknüpft werden. Über die Schrittdauer lässt sich beispielsweise erkennen, wo Prozessschritte systematisch länger dauern als geplant. Dabei wird nur eine Teilmenge der verfügbaren Modelle und Entitäten verwendet, die auf den Anforderungen der jeweiligen Anwendungsfälle basiert.

Die einzelnen Datenpunkte aus den Quellsystemen werden den jeweiligen Entitäten im ISA-95-Graphen zugeordnet und deren Werte über Datenpipelines kontinuierlich in die Datenplattform beziehungsweise Graph-Datenbank eingespeist. Damit sind zu jeder Entität der aktuelle Wert sowie historische Informationen verfügbar – und können gemäß ihrer Beziehungen untereinander genutzt werden. Maschinen- und Sensordaten werden in solchen Anwendungsfällen meist über speicherprogrammierbare Steuerungen (SPS) bereitgestellt. Für die Standardisierung der Daten und Protokolle in das OPC-UA-Format gibt es marktfertige Lösungen. Entscheidend ist, dass die Daten im Stream Metadaten in Form von 'Tags' enthalten, die ein unmittelbares Mapping auf die entsprechenden Knoten und Entitäten im Graphen der ISA-95-Hierarchie ermöglichen – hierdurch erfolgt die eigentliche Kontextualisierung der Daten.

Enthalten sind damit Informationen zum Standort – etwa Werk, Linie, Anlage, Komponente et cetera – sowie Sensor und Datenpunkt, die eine Lokalisierung beziehungsweise Verortung der Daten in der Hierarchie ermöglichen. Weiterhin ist durch die Zuordnung zu den Entitäten und deren Beziehungen die Einordnung in den Prozess gegeben. Per Zeitstempel lassen sich die Elemente der Zeitreihe abbilden. Die Tags werden doppelt genutzt: für die einfachere Zuordnung der Daten für Analytics und KI; und für die Event-basierte Kommunikation mit Hilfe von Unified Namespaces (UNS) und Daten-Brokern – ein wichtiger Aspekt in modernen Smart-Factory-Architekturen.

Das Verständnis der Daten bei deren Mapping in das ISA-95-Modell ist entscheidend für erfolgreiche KI-Optimierungen und eine kurze Time-to-Value. Das ist daher auch keine IT-Aufgabe; vielmehr sollte diesen Vorgang ein Data Owner mit entsprechendem fachlichen Hintergrund durchführen. Selbstredend muss für ein erfolgreiches Mapping auch die Datenqualität stimmen. Gerade für diese beiden Schritte ist daher oftmals die Einbeziehung von KI-Experten ratsam: Sie ergänzen das interne Wissen zu den Geschäftsabläufen durch das Know-how im Hinblick auf Datenqualität und Mapping.

Factory Agents für die Qualitätsoptimierung

Soweit die Theorie – wie aber lässt sich diese in einer smarten Fabrik realisieren? Zur Veranschaulichung kann das Beispiel der Serienfertigung von Aggregaten dienen, an mehreren Linien und über Europa verteilt. Im Kern geht es in diesem Beispiel um zwei Anwendungsfälle: die Qualitätsoptimierung der Produktion und die Analyse und Behebung von Reklamationen.

Ein ERP sorgt in dieser Umgebung für die Steuerung von Produktionsaufträgen mit Arbeitsplänen und Materialdaten sowie die Bereitstellung von Verfügbarkeitsinformationen. Das Management von Maschinenstammdaten, Detailplanung, Arbeitsschritten mit Maschinenzuordnung, geplanten Zeiten, Werker et cetera übernimmt das MES. Weiterhin werden Sensor-, Maschinen- und Prozessdaten per Condition Monitoring bereitgestellt, Qualitätsdaten über ein QM-System. Nach dem Verkauf der Produkte übernimmt das Servicesystem und steuert die Reklamations- und Servicevorgänge. Hierbei wird ebenfalls eine Fülle von Zusatzinformationen genutzt, beispielsweise Verfügbarkeiten von Servicetechnikern und deren Skills, damit die Einsätze gezielt gesteuert werden können.

Zentrale Frage ist, wie sich diese Prozessbereiche gezielt verbinden lassen, damit zum einen die Daten aus der Produktion für die Analyse von Servicefällen verarbeitet werden können und zum anderen Informationen aus Servicefällen in die Produktion zurückfließen – und dort Maßnahmen abgeleitet werden, um ähnliche Fehler zu vermeiden. 

Mehr Qualität durch KI

Beim Fall der Qualitätsoptimierung soll es hier um Verbesserungen während der laufenden Produktion gehen – der eigentliche Charme solcher Konzepte. Hierfür muss die Analyse im Fehlerfall ergeben, welche Produktionen unmittelbar betroffen sind, gegebenenfalls auch in einer vorhergehenden Schicht. Zudem muss klar sein, auf welche Kundenaufträge sich das auswirkt. Nur so kann bei Bedarf eine Umpriorisierung sowie eine Information der Kunden im Falle von Lieferverzögerungen ausgelöst werden. Zur Qualitätskontrolle ist hierbei eine Prüfung der Produkte bereits während der Fertigung maßgeblich – etwa kamerabasiert oder über eine funktionsbasierte Validierung. KI-basierte Checks ermöglichen auch komplexere Prüfungen automatisiert sowie variabler durchzuführen und schnell auf neue Fehlerbilder zu reagieren. Die Überwachung der Produktionsprozesse durch Auswertung von Sensor- und Prozessdaten wie Temperatur, Druck oder Vorschubgeschwindigkeit ist ebenfalls wichtig. Nur so lassen sich entsprechende Qualitätskennzahlen durchgängig ableiten und in Relation setzen.

Spannend wird es bei der Ursachenanalyse im Fehlerfall sowie kombinierter Echtzeitüberwachung und Datenanalyse durch KI zur Vermeidung von Qualitätsproblemen. Hier ist die Zusammenführung komplexer Datenmengen die Herausforderung. Wird qua Qualitätskontrolle oder Reklamation ein Problem festgestellt, folgt eine detaillierte Ursachenanalyse. Hierbei kommen häufig Ansätze wie die '5-Why-Methode' oder das 'Ishikawa-Diagramm' (Fischgrätenanalyse) zum Einsatz; diese benötigen wiederum verschiedene Daten über Ressourcen, Material, Umwelt und so weiter, die in Verbindung zu bringen sind.

KI-basierte Factory Agents mit standardisiertem Industriedatenmodell und den Daten der Quellsysteme sind in der Lage, genau solche komplexen Datenzusammenhänge, Muster oder Abweichungen zu analysieren und Fragen von Produktionsmitarbeitern in Sekunden zu beantworten. Zudem ergänzen sie Wissen aus Anleitungen, Fehlermöglichkeits- und Einflussanalysen sowie anderen Informationsquellen. Die Anwender können somit in kürzester Zeit eine Ursachenanalyse durchführen und Lösungsvorschläge prüfen. Sogenannte Conversational Agents ermöglichen dabei eine natürlichsprachige Kommunikation mit den KI-Agenten. Über eine automatisierte Planung kann die KI zudem entscheiden, wann und wie oft geprüft werden muss; basierend auf Risikobewertung und Prozessstabilität. Und genau das macht den Unterschied: Die KI-Erkenntnisse lassen sich unmittelbar in die Produktion zurückspielen. In unserem Beispiel könnte die Anomalieerkennung A dazu führen, dass Parameter B an der Linie optimiert wird.

Analyse von Reklamationen mit Hilfe von KI

Ziel ist immer, Reklamationen zu vermeiden. Doch die Herstellung eines Idealzustands ist im Zweifel wegen der Grenzkosten mit zu hohen Kosten verbunden; ein Rest wird damit immer verbleiben. Dieser muss professionell prozessiert werden. In einer KI-basierten Umgebung kann sich ein Reklamationsmanager mit natürlicher Sprache beim Factory Agent erkundigen, ob während der Produktion eines reklamierten Produkts Anomalien aufgetreten sind; welche Qualitätsprüfungen durchgeführt wurden und ob es Aufzeichnungen über ähnliche Fälle gibt. Sind Reparatur oder Austausch erforderlich, kann der Anwender die Verfügbarkeit von Material und Personal überprüfen, um das Problem innerhalb der vereinbarten SLAs zu lösen. 

Ein kurzer Exkurs: Je nach Ausprägung und gewünschter Unterstützung sind ebenfalls automatisierte Vorgehensweisen denkbar: Ein Agent könnte auch direkt Bestellvorschläge erzeugen oder in einem definierten Rahmen Nachbestellungen von Material auslösen. Weiterhin können über einen entsprechenden 'Resource Scheduling Agent' die Verfügbarkeiten geprüft und Terminvorschläge generiert werden.

Zurück zum Anwendungsfall: Wird eine Nichtkonformität festgestellt, kann der Qualitäts- oder Servicemanager schnell die weiteren Auswirkungen validieren, die Beteiligten proaktiv informieren und einen Verbesserungsprozess einleiten. Entscheidend für diesen Vorgang ist eine Verknüpfung der Informationen zu Anomalien mit der Reklamation – denn nur so ist ein Lernen des Systems möglich. Dafür wiederum sind eine Feedbackschleife in die Qualitätsoptimierung während der Produktion erforderlich und eine Klassifizierung der Anomalie; denn diese kann sich ja gegebenenfalls von unkritisch zu qualitätsrelevant ändern.

Fazit: Messbar positiver Ergebnisbeitrag durch KI

Messbare Ergebnisse sind immer wichtig, so auch bei KI. Dort sind sie auch in besonderem Maße gegeben: Prüfen, Analysieren und Auswerten sind feste Bestandteile des Vorgehens. Das vorausgeschickt: Die Kosten für Qualitätsprobleme von produzierenden Unternehmen liegen oft im Bereich von zehn bis 30 Prozent des Umsatzes, wobei externe Fehlerkosten durch Rückrufe und Gewährleistungsansprüche besonders ins Gewicht fallen.

Erfahrungswerte zeigen belastbar eine Verbesserung der Qualität um drei bis fünf Prozentpunkte. Bei Produktionsprozessen mit sehr hohen Ausschussraten kann die KI-Agenten-gestützte Ursachenanalyse zur Verbesserung der Ausschussraten von bis zu 20 Prozent führen, was sich signifikant in geringerer Nacharbeit und weniger Materialkosten niederschlägt. Kurz: KI im Sinne von Factory Agents lohnt sich, nachweislich, jeden Tag aufs Neue.