Anomalie-Erkennung – Smart Factory Glossar

Die Anomalie-Erkennung identifiziert mithilfe von Künstlicher Intelligenz (KI) Abweichungen von einer vorab definierten Norm. Sie trägt in Fertigungsunternehmen zu einer besseren Qualität, weniger Ausschuss und zu mehr Effizienz bei. 

So funktioniert die Anomalie-Erkennung

Um Anomalien im Fertigungsablauf frühzeitig zu erkennen, eignet sich zum Beispiel Machine Learning. Diese KI-Technologie umfasst verschiedene Formen des Selbstlernens, wobei Software Regelmäßigkeiten und Unregelmäßigkeiten in Daten erkennt, Rückschlüsse daraus zieht und Aktionen ableitet. Damit Anomalien zuverlässig erkannt werden, muss das System zunächst angelernt werden. In einem ersten Schritt werden alle Daten, die zu einem Produkt erfasst wurden, und alle Entscheidungen, die auf diesen Daten beruhen, in das System importiert. Nun sind bereits die ersten Abhängigkeiten in der Software hinterlegt.

Kommen in einem zweiten Schritt neue Daten hinzu, kann die Software auf das Datenset zurückgreifen und die neuen Daten mit den hinterlegten Daten abgleichen. Alles, was unbekannt ist, wird als Abweichung gewertet. An dieser Stelle kommt der Anwender ins Spiel: Er klassifiziert die neu erkannten Anomalien. Im Zuge dieses kontinuierlichen Weiterlernens wird die Software immer besser. 

Anwendungsbeispiele

• Computer Vision oder Machine Vision kombiniert maschinelles Lernen mit Kameras. Anhand von Bildern oder Videos erkennt das System Objekte und kann diese anhand verschiedener Merkmale klassifizieren. Hochauflösende Aufnahmen ermöglichen es, selbst kleinste Veränderungen zu entdecken, die für das menschliche Auge unsichtbar sind. Wird in der Fertigung jedes Zwischen- oder Endprodukt auf diese Weise geprüft, entstehen täglich große Datenmengen. Die Analyse und Korrelation dieser Daten veranschaulicht die Einflussfaktoren auf die Fertigung und ermöglicht es, frühzeitig gegenzusteuern, wenn die Software Anomalien erkennt.
• Advanced Analytics basiert ebenfalls auf Methoden der Künstlichen Intelligenz. Ein Beispiel dafür sind Anwendungen aus dem Bereich Predictive Quality, bei denen sich auf Basis der beim Fertigungsablauf erfassten Prozesswerte die Qualität eines Produkts vorhersagen lässt. Predictive Maintenance dient dazu, Instandhaltungsprozesse zu analysieren und zu optimieren.

Das Manufacturing Execution System HYDRA X von MPDV erfüllt viele Anforderungen an ein innovatives IT-Tool und nutzt Technologien aus dem Bereich der Künstlichen Intelligenz, um Produktionsabläufe effektiver zu steuern und vorausschauend zu planen.