Digitalisierung Industrie 4.0 : Wie industrielle KI das Qualitätsmanagement in der Stahlindustrie auf ein neues Niveau hebt

Im industriellen Qualitätsmanagement wird wissensbasierte KI-Technologie bereits seit vielen Jahren eingesetzt. PSImetals Order Dressing beispielsweise nutzt die Technologie von Expertensystemen, um einen Produktionsauftrag zu planen und zu bearbeiten, indem es alle notwendigen Produktionsschritte und Prozessdetails zur Herstellung einer Schmelze, einer Bramme, eines Coils, einer Platte, eines Rohrs, usw. bestimmt. Das Fachwissen der menschlichen Qualitäts- und Produktionsexperten wird dabei in einer konfigurierbaren Wissensbasis abgebildet.

PSI Metals Quality nutzt eine Expertenregelbasis und deren Qualitätsindikatoren, um die Qualität nach jedem Produktionsschritt zu bewerten und über notwendige Qualitätsmaßnahmen zu entscheiden. Während des Lebenszyklus eines Coils, Rohrs oder Blechs durch ein Stahlwerk werden ca. 500.000 Datenmerkmale erzeugt. 

Datenanalysetechnologien wie Fuzzy-Logik und neuronale Netze lernen aus Beispielen. Anstatt also strenge Regeln für die Berechnung von Qualitätsindikatoren festzulegen, kann ein Modell mit Beispielen trainiert werden. Diese Modelle können schließlich Dutzende von Millionen von Datenmerkmalen korrelieren, um Qualitätsindikatoren auf die gleiche Weise zu kategorisieren, wie sie es aus Expertenbeispielen und Expertenregeln gelernt haben. Deep Qualicision ist ein solches Datenanalysetool, das in der Lage ist, Qualitätskennzeichnungen aus Rohdaten zu verarbeiten. Das Labeling von Qualitätsdaten ist ein erster, aber wesentlicher Schritt, um aus allen verfügbaren digitalen Daten einen Mehrwert zu schaffen.

Maschinelles Lernen und neuronale Netze können lernen, Bilder zu interpretieren und Defekte aus Bildern zu erkennen und zu kategorisieren. Vor diesem Hintergrund hat PSI hat einen Fehlererkennungsdienst entwickelt, der auf der Technologie von Convolutional Neural Networks basiert.

Dieselbe Technologie könnte auch auf andere bildbasierte Qualitätsbereiche angewandt werden, wie z. B. die Kategorisierung von Schrott, Formfehler und Ultraschallprüfung.

Maschinelles Lernen ermöglicht es, umfassendes Erfahrungswissen aus der Vergangenheit in das so genannte Vorhersagemodell einzubetten. So wird ein breites - oft über Jahrzehnte gewachsenes - Wissen geschickt in ein Modell übertragen. Das Nützliche an diesem Ansatz liegt darin, dass er später in verschiedenen Situationen eingesetzt werden kann, darunter z.B. bei der Qualitätsvorhersage von Coils, die das Warmbandwalzwerk (engl.: „hot strip rolling mill“ = HSM) verlassen.

Diese Coils müssen noch weitere technologische Schritte durchlaufen (siehe Abbildung 1, die roten Schritte sind bereits erfolgt, die blauen Schritte sind geplant). An dieser Stelle weisen die Coils oft schon gravierende Mängel auf, die für das menschliche Auge nicht direkt ersichtlich sind. Hinzu kommt, dass die Stahloberfläche gewickelt ist und der größte Teil Oberfläche verborgen bleibt!

Andererseits kann der richtige Umgang mit fehlerhaften Coils auch Vorteile bringen. Je nach Art und Schwere des Fehlers kann das Coil einer anderen Produktionslinie zugeführt oder im Extremfall an den Anfang des Lebenszyklus des Stahls zurückgeführt werden. Wir brauchen also Informationen über den potenziellen Fehler, bekommen diese jedoch nicht einfach so. Aber es  existieren Daten, die die in der Vergangenheit produzierten Coils und die dabei entdeckten Fehler beschreiben.

Die Idee an dieser Stelle ist also, die Menge der Informationen, die das Coil beschreiben (wir nennen dies die Menge der Prädiktoren), mit den aufgetretenen Fehlern (den Zielen) zu korrelieren. An dieser Stelle kommt das maschinelle Lernen ins Spiel.

Noch wichtiger ist, dass wir dieses Modell auf zukünftige, noch unbekannte Fälle anwenden können. Aufgrund des erheblichen Regressionspotenzials der angewandten Techniken können sich diese neuen Fälle erheblich von historischen Beispielen unterscheiden. Das Modell findet intern ähnliche Fälle, platziert den neuen Fall entsprechend und berechnet die Wahrscheinlichkeit.

Die industrielle Realität ist ein lebendiges Gebilde. Jedes neue Material führt zu einer Vielzahl neuer Informationen, die gespeichert und im Zeitalter des Industrie-4.0-Paradigmas genutzt werden sollen. Aus menschlicher Sicht bilden solche neuen Daten eine Herausforderung, die in gewisser Weise unser Denken und die von uns getroffenen Entscheidungen beeinflussen. Wir neigen dazu, Fehler empirisch zu vermeiden, indem wir eine aktuelle Situation einfach mit unserer Erfahrung abgleichen. Dieses allgemeine Schema ist die Grundlage für einige Ansätze des maschinellen Lernens, die sich darauf konzentrieren, Erfahrungen aus der Umgebung zu gewinnen, indem sie die Interaktion mit ihr entsprechend steuern. Ein Agent verfügt über eine genau definierte Menge möglicher Entscheidungen, die sich auf die Umgebung auswirken (siehe Abbildung 2). Die Umgebung kann hier als ein digitales Abbild der Fabrik, der so genannte digitale Zwilling, betrachtet werden. Im Extremfall kann es sich auch um eine reale Fabrik handeln.

Zu Beginn des Lebenszyklus ist ein Agent wie ein Neugeborenes, das nur zufällige Entscheidungen treffen kann. Es erhält jedes Mal eine Rückmeldung, die aus der Belohnung und dem neuen Zustand besteht. Auf diese Weise lässt sich beurteilen, inwieweit die vorangegangenen Entscheidungen zu einer Verbesserung der Reward-Funktion geführt haben. Dies ist ein allgemeines Schema des Reinforcement Learning. Das Hauptmerkmal dieser Technik ist die Fähigkeit, die Abfolge von Entscheidungen zu erlernen, wobei die Möglichkeit besteht, einige kurzfristige Ziele für das endgültige Ziel in einer langfristigen Perspektive zu entbehren.

Aus der Perspektive eines Stahlwerks kann man sich viele beispielhafte Anwendungsfälle vorstellen, in denen diese Technik eine große Hilfe sein kann, zum Beispiel bei der Entscheidung, eine bestimmte Produktionslinie umzuplanen. Nachdem sich eine kritische Masse an Änderungen im Zeitplan angesammelt hat, ist es irgendwann sinnvoll, einen neuen Zeitplan zu erstellen. Bei diesen Änderungen handelt es sich häufig um eine Änderung der Kundenpriorität, die Nichtverfügbarkeit von Materialien oder Anlagen oder aufgetretene Produktionsfehler. Ein entsprechend geschulter Agent kann auf diese Situationen problemlos reagieren.

Die dynamische Natur des Reinforcement Learning erlaubt es auch, sich an eine dynamische Umgebung anzupassen, indem neue Erfahrungen langsam integriert werden. Diese Anpassungsfähigkeit macht den Agenten in gewisser Weise zu einer autonomen Einheit. Sein Verhalten muss nicht manuell angepasst werden, denn die Verhaltensänderungen sind ein inhärentes Merkmal des gesamten Systems. Ein natürlicher nächster Schritt ist die Bereitstellung mehrerer Agenten, von denen jeder für einen bestimmten Bereich, insbesondere Produkte, Aufträge und Prozesse, zuständig ist. Sie sind mit entsprechenden Daten für Kommunikation, Erfahrungsspeicherung und Entscheidungsfindung ausgestattet. Die beispielhafte Anwendung könnte das Management von Off-Spec-Produkten im Warmwalzwerk sein.

Nutzen Sie das Potenzial von Industrieller Künstlicher Intelligenz, um Ihr Qualitätsmanagement auf ein neues Niveau zu heben. Tauchen Sie ein in exklusive Blogartikel und Videos - bleiben Sie informiert, bleiben Sie voraus.