Wettbewerbsvorteil durch Künstliche Intelligenz sichern
Künstliche Intelligenz (KI) ist derzeit in aller Munde. Als Ihr verlässlicher Forschungs- und Entwicklungspartner im Bereich Mechatronik bieten wir bei LCM unseren Kunden die Möglichkeit, KI in ihre Produkte zu integrieren. Dies führt nicht nur zu gesteigerter Effizienz, Genauigkeit und Robustheit, sondern verleiht Ihnen auch einen entscheidenden Wettbewerbsvorteil. Mit KI eröffnen sich Anwendungen, die ohne diese Technologie unvorstellbar wären.
Erfahren Sie, wie KI im industriellen Kontext Ihr Unternehmen revolutionieren kann und wie LCM Ihnen dabei helfen kann, diese transformative Technologie optimal zu nutzen!
„Künstliche Intelligenz ist die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren. KI ermöglicht es technischen Systemen, ihre Umwelt wahrzunehmen, mit dem Wahrgenommenen umzugehen und Probleme zu lösen, um ein bestimmtes Ziel zu erreichen. Der Computer empfängt Daten (die bereits über eigene Sensoren, zum Beispiel eine Kamera, vorbereitet oder gesammelt wurden), verarbeitet sie und reagiert. KI-Systeme sind in der Lage, ihr Handeln anzupassen, indem sie die Folgen früherer Aktionen analysieren und autonom arbeiten.“
(Quelle: EP).
LCM unterstützt Sie bei der Implementierung von KI in Ihrem speziellen Anwendungsfall, insbesondere im Bereich des Condition Monitorings. Wenn ein Unternehmen eine Herausforderung an LCM heranträgt, verfügen sowohl das Unternehmen als auch LCM in der Regel über umfassendes technisches Fachwissen über das betreffende System, auch als „Domänenwissen“ bekannt.
Durch den Einsatz maßgeschneiderter Sensortechnologie erfassen wir zunächst präzise Systemdaten. Gleichzeitig bieten wir die Möglichkeit, ein Computermodell zu erstellen, mit dem das System simuliert werden kann. Die Simulation erzeugt zusätzliche Daten, die potenziell auch unerwünschte Betriebszustände darstellen können. Das Domänenwissen fließt sowohl in die Datenerfassung als auch in die Modellierung & Simulation ein.
Anschließend werden die gesammelten Mess- und Simulationsdaten mithilfe von KI-Algorithmen analysiert, um beispielsweise den aktuellen Betriebszustand der Komponente oder Maschine zu ermitteln. Geeignete Aktoren oder Maßnahmen werden aktiviert, um sicherzustellen, dass das System in optimaler Verfassung ist.
Nutzen Sie die Vorteile der KI-Lösungen von LCM auch für Ihr Unternehmen!
Maschinelles Lernen ermöglicht es datenbasiert über ein System zu lernen.
Sind beispielsweise genügend Daten aus individuellen Betriebszuständen vorhanden, können diese Zustände unterschieden werden, z.B. für frühes Erkennen von Fehlern.
Als übliche algorithmische Ansätze seien hier „Überwachtes Lernen“ (supervised learning), „Unüberwachtes Lernen“ (unsupervised learning) und „Bestärkendes Lernen“ (reinforcement learning) genannt.
Am LCM setzt sich der Digitale Zwilling nicht allein aus dem CAD-Modell zusammen, sondern integriert auch das physikalische Verhalten und die Simulation des gesamten Modells.
Diese umfassende Simulation ermöglicht die Datengenerierung aus Betriebszuständen, für die normalerweise nur begrenzt Messdaten verfügbar sind, zum Beispiel unerwünschte oder selten auftretende Betriebszustände.
Der Digitale Zwilling hilft dadurch Betriebsstillstände zu verhindern.
Daten können aus Messvorrichtungen stammen oder über die Modellierung des Systems und deren Simulation erzeugt werden.
In die Modellierung geht vorhandenes Wissen über das System ein. Dadurch können nicht nur generell mehr Daten erzeugt werden, sondern auch Betriebszustände nachgestellt werden, die im normalen Betrieb kaum auftreten bzw. gar nicht auftreten sollen.
Qualitätssicherung mit Vibrationsmessung
An einem Kugellager, das in einer Getriebebox verbaut ist, sollen Fehler erkannt und klassifiziert werden. Die Fehlerkategorien reichen von „fehlerfrei“ über „leicht beschädigt“ zu „defekt“. Die Lösung von LCM liefert unter Zuhilfenahme von vier Schlüsselmerkmalen 99 % korrekte Fehlererkennung!
Fehlerdaten ohne Betriebsstillstand
Für die Erkennung von Fehlern in Komponenten, Maschinen oder Anlagen sind spezifische Fehlerdaten essentiell. Die Simulation diverser Fehlerszenarien ermöglicht die Generierung wertvoller Daten, um unerwünschte Betriebssituationen zu vermeiden. Insbesondere bei Fehlern, die nie oder nur selten auftreten und somit ein KI-Training erschweren, erweisen sich Simulationsdaten als besonders wertvoll.
Edwin Lughofer, Patrick Zorn and Edmund Marth, „Transfer learning of fuzzy classifiers for optimized joint representation of simulated and measured data in anomaly detection of motor phase currents,“ Applied Soft Computing, Vol. 124, July 2022.
Nutzungsdauer von Komponenten überwachen
Wir haben einen digitalen Zwilling speziell für prädiktive Wartungszwecke entwickelt. Dieser ermöglicht es uns, die Restnutzungsdauer von Maschinenkomponenten wie Lagern, Aktuatoren und Spannfuß effektiv zu überwachen und präzise zu berechnen.
Dieser digitale Zwilling basiert auf Simulationsergebnissen und kann nicht messbare Größen wie die Entwicklung des Kontaktdrucks in den Lagern während der Produktion berechnen. Durch die Kombination von virtuellen Sensoren und Live-Messungen können wir den Verschleiß unterschiedlicher Teile verfolgen und ihre verbleibende Nutzungsdauer berechnen.
Nutzungsdauer von Komponenten überwachen
Wir haben einen digitalen Zwilling speziell für prädiktive Wartungszwecke entwickelt. Dieser ermöglicht es uns, die Restnutzungsdauer von Maschinenkomponenten wie Lagern, Aktuatoren und Spannfuß effektiv zu überwachen und präzise zu berechnen.
Dieser digitale Zwilling basiert auf Simulationsergebnissen und kann nicht messbare Größen wie die Entwicklung des Kontaktdrucks in den Lagern während der Produktion berechnen. Durch die Kombination von virtuellen Sensoren und Live-Messungen können wir den Verschleiß unterschiedlicher Teile verfolgen und ihre verbleibende Nutzungsdauer berechnen.
Sabrina Fleischanderl et al., “CNN–based crack detection in oxide layers of hot rolled steel sheet samples for the validation of a pickling process model”, Proc. 3rd Symp. on Pattern Recognition and Applications, 202
Basierend auf einer Studie von McKinsey ergeben sich die folgenden Schritte, um KI in den eigenen Betrieb zu integrieren:
Den Hype von realisierbaren Anwendungen trennen. Use Cases formulieren und nach Komplexitätsgrad und möglicher wirtschaftlicher Wirkung priorisieren. Wesentliche Rahmenbedingungen festhalten.
Der Aufbau des relevanten Fachwissens kann innerbetrieblich, aber auch mit Hilfe externer Ressourcen geschehen.
Zur Beschreibung von Anwendungsfällen und Abhängigkeiten und als Teil des Lösungsansatzes. Hybride Ansätze integrieren Domänenwissen und können die Rechenlast reduzieren, die Leistungsfähigkeit erhöhen und die Zuverlässigkeit steigern.
Vorhandene Maschinendaten durchgängig aufzeichnen, mit Retrofitting zusätzliche Datenquellen schaffen, Fehlerfälle dokumentieren, fehlerhafte Teile aufbewahren. Vorhandene Daten und Fehlerfälle möglichst strukturieren/annotieren
Kleine, zügig umsetzbare Maßnahmen wie Pilotprojekte, Simulationen und Testläufe erfordern in der Regel keine umfangreichen Investitionen. Diese ersten Schritte lassen sich oft mit bestehenden Daten und anpassungsfähiger Sensorik, wie Retrofitting oder Laborsystemen, realisieren.
