O slideshow foi denunciado.
Seu SlideShare está sendo baixado. ×

Intelligente visuelle Qualitätskontrolle in der Fertigungsindustrie

Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio
Anúncio

Confira estes a seguir

1 de 22 Anúncio

Intelligente visuelle Qualitätskontrolle in der Fertigungsindustrie

Baixar para ler offline

Die Fertigungsindustrie verändert sich. Im Rahmen von Industrie 4.0 erlangen Flexibilität, modulare Produktionsanlagen und kürzere Fertigungszyklen deutlich höhere Relevanz. Visuelle Qualitätskontrolle ist eine entscheidende Querschnitts- und Differenzierungsfunktion im Wettbewerb. Aktuelle Systeme sind oftmals unflexibel und fehleranfällig, sobald sich Umweltbedingungen oder Produkteigenschaften minimal verändern.

Künstliche Intelligenz (KI) kann durch maschinelles Lernen und visuelle Mustererkennung zu einer erheblichen Steigerung des Automatisierungsgrades und damit der Prozesseffizienz beitragen – auch in Bereichen, die aktuell noch stark manuell geprüft werden müssen.

Die Fertigungsindustrie verändert sich. Im Rahmen von Industrie 4.0 erlangen Flexibilität, modulare Produktionsanlagen und kürzere Fertigungszyklen deutlich höhere Relevanz. Visuelle Qualitätskontrolle ist eine entscheidende Querschnitts- und Differenzierungsfunktion im Wettbewerb. Aktuelle Systeme sind oftmals unflexibel und fehleranfällig, sobald sich Umweltbedingungen oder Produkteigenschaften minimal verändern.

Künstliche Intelligenz (KI) kann durch maschinelles Lernen und visuelle Mustererkennung zu einer erheblichen Steigerung des Automatisierungsgrades und damit der Prozesseffizienz beitragen – auch in Bereichen, die aktuell noch stark manuell geprüft werden müssen.

Anúncio
Anúncio

Mais Conteúdo rRelacionado

Semelhante a Intelligente visuelle Qualitätskontrolle in der Fertigungsindustrie (20)

Mais recentes (20)

Anúncio

Intelligente visuelle Qualitätskontrolle in der Fertigungsindustrie

  1. 1. INTELLIGENTE VISUELLE QUALITÄTSKONTROLLE USE CASE IN DER FERTIGUNGSINDUSTRIE
  2. 2. SETTING THE SCENE 2 EINE KLARE THEMATISCHE ABGRENZUNG ERMÖGLICHT EINE FUNDIERTE ENTSCHEIDUNGSBASIS IN-SCOPE OUT-OF-SCOPE ▪ Machine Learning gestützte Qualitätskontrolle in der Produktion oder Vorproduktion ▪ Einsatz von Machine Vision Systemen zur komplexen Mustererkennung (Objekte, Texturen, Farben, dreidimensionale Oberflächen) ▪ Digitale Bildanalyse (2D oder 3D) prozessiert mithilfe von trainierten KI-Modellen z. B. neuronalen Netzen ▪ Identifikation von Teilen, Ausfallerkennung, Defekterkennung, optische Zeichenerkennung, Farberkennung, Mustererkennung ▪ Nicht-visuelle Qualitätskontrolle (Inhaltsstoffe, Temperatur, sonstige Sensordaten) ▪ Manuelle Qualitätskontrolle durch menschliche Arbeitskräfte ▪ Systeme ohne Machine Learning oder Computer Vision Elemente (Barcode- Scanning, einfache Ausfallerkennung durch bildgebende Verfahren) Zielsetzung der Use Case Analyse ▪ Unmittelbare Einordnung der Use Case Relevanz anhand transparenter Bewertungsdimensionen ▪ Bereitstellung des grundlegenden Informationsangebots zur Entwicklung einer gemeinsamen Sprache ▪ Herausstellung zentraler Prüfpunkte für eine unternehmensspezifische Detailanalyse ▪ Vermeidung unrealistischer Erwartungshaltungen ▪ Abbildung der notwendigen Analysetiefe zur Ersteinschätzung der Anwendungsreife und Marktdynamik
  3. 3. 3 ÜBERSICHT DER BEWERTUNGSDIMENSIONEN 8/10 8/10 7/10 6/10 7/10 MARKTREIFESTRATEGISCHER FITUMSETZBARKEITPERFORMANCE KOSTEN REDUKTION 7.6 Intelligente Qualitätssicherung steigert nicht nur die Kosten- effizienz, sondern hebt gleichzeitig die Qualitäts- und Sicherheitsstandards. KI reduziert die Aufwände für Prüfkosten und das Risiko von Ausfallkosten deutlich. Startprojekte zur intelligenten Qualitätssicherung sind bereits mit vergleichsweise geringem Aufwand realisierbar. Größter Engpass ist derzeit die interne Ressourcenverfügbarkeit von KI-Spezialisten – Technologie- vorbehalten kann kommunikativ vorgebeugt werden. Die Technologie ist verfügbar, wird jeden Tag besser und kostengünstiger – als Early Follower gilt es jetzt mit dem Testen zu beginnen. Künstliche Intelligenz muss im Qualitätsmanagement strategischen Fokus haben, auch um frühzeitig entsprechende Technologie-Kompetenz aufzubauen. GESAMT SCORE
  4. 4. 4 DURCH KI KANN OPTISCHE QUALITÄTSKONTROLLE DEUTLICH VIELFÄLTIGER EINGESETZT WERDEN Problembeschreibung Die Fertigungsindustrie verändert sich. Im Rahmen von Industrie 4.0 erlangen Flexibilität, modulare Produktionsanlagen und kürzere Fertigungszyklen deutlich höhere Relevanz. Visuelle Qualitätskontrolle ist eine entscheidende Querschnitts- und Differenzierungsfunktion im Wettbewerb. Aktuelle Systeme sind oftmals unflexibel und fehleranfällig, sobald sich Umweltbedingungen oder Produkteigenschaften minimal verändern. Künstliche Intelligenz (KI) kann durch maschinelles Lernen und visuelle Mustererkennung zu einer erheblichen Steigerung des Automatisierungsgrades und damit der Prozesseffizienz beitragen – auch in Bereichen, die aktuell noch stark manuell geprüft werden müssen. Zwei Kernprobleme des Qualitätsmanagements werden durch künstliche Intelligenz adressiert. Erstens, kann der Pseudo-Ausschuss hochautomatisierter Systeme gesenkt werden. Zweitens ermöglicht der Einsatz von KI auch komplexere Prüfvorgänge mit multiplen Datenquellen, die bisher manuell geprüft werden mussten. Kosten senken und gleichzeitig das Qualitätsniveau der Produktion heben, sind starke Argumente, sich den Einsatz von KI in der optischen Qualitätskontrolle im Detail anzuschauen. Stakeholder-Perspektiven ▪ Setzen in der Regel bereits hochautomatisierte Qualitätskontroll- Systeme ein ▪ Suchen nach stärkerer Automatisierung und Flexibilität auf Grund der hohen Prüfkosten und Tragweite von Fehlerkosten ▪ Evaluieren z. T. Lizenzierung proprietärer Systeme an eigene Kunden und Partner zur Stärkung der Wettbewerbsposition Groß- fertigung Klein- fertigung Zulieferer ▪ Arbeiten häufig noch mit manuellen Prüfmethoden ▪ Suchen nach sehr kosteneffizienten Automatisierungslösungen getrieben durch den internationalen Wettbewerbsdruck ▪ Haben in der Regel knappe IT- und Beratungsbudgets ▪ Versuchen redundante Prüfungsverfahren zu vermeiden, um eigene Wertschöpfung zu steigern ▪ Brauchen in der Regel eine Null-Fehler Fertigungs-Sicherheit ▪ Müssen sich flexibel der Nachfragesituation im Markt stellen
  5. 5. 5 EIN ANWENDUNGSBEISPIEL DEMONSTRIERT DIE MÖGLICHKEITEN VON KÜNSTLICHER INTELLIGENZ LösungsalternativenPraktisches Anwendungsbeispiel Flaschenkontrolle in der Abfüllung Tausende Flaschen pro Stunde müssen auf ihre Unversehrtheit geprüft werden, um scharf- kantige, abgesplitterte oder gerissene Flaschen auszusortieren und Schadensreklamationen im Handel oder sogar beim Endkonsumenten auszuschließen. Manuelle Kontrolle Sehr kostenintensiv, besonders im Mehrschichtbetrieb und bei hohem Stückdurchsatz. 100-prozentige Qualität ist durch Unaufmerksamkeit oder Ermüdung dennoch nicht auszuschließen. Bildgebendes Verfahren Spezialkamerasysteme mit multiplen Aufnahmemodi gleichen Bilder pixelgenau ab und finden schadhafte Flaschen. Anlagekosten liegen jedoch meist zwischen 200.000-500.000 €. Es besteht erhöhte Gefahr von Pseudo-Ausschuss. KI-Objekterkennung / Bildsegmentierung Funktioniert hardware-agnostisch und kommt z.T. ohne eine Vielzahl von Spezialkameras aus. Das System lernt Blasen, Risse und Kanten mit hoher Präzision zu erkennen und interpretiert gleichzeitig Tropfen und Reflexionen korrekt.
  6. 6. Output-Effizienz 6 VORTEILE: GERINGERE KOSTEN UND FOLGE- RISIKEN, HOHE PRÄZISION & GESCHWINDIGKEIT 1) Quelle: https://industrytoday.com//FlippingBook/20.3/files/assets/basic-html/index.html#I 8/10 PERFORMANCE GEWINN Automatisierte Qualitätskontrolle ist in nahezu allen Fertigungsindustriezweigen ein entscheidender Hebel zur Steigerung der Prozesseffizienz. Zu differenzieren ist die zu überwachende Komplexität der Produktkomponenten sowie der bisherige Automatisierungsgrad des Prozesses. Hochkomplexe Multikomponenten-Produkte wie Fahrzeuge oder industrielle Werkzeugmaschinen erfordern Verfügbarkeit und Qualität der Fertigungsinfrastruktur mindestens im sogenannten „Five nines“-Bereich, also 99,999%. Bei einer Genauigkeit von nur 99% besteht im Fahrzeugbau beispielsweise immer noch bei etwa 80-100 Teilkomponenten ein Ausfallrisiko – was deutlich zu hoch ist. Demgegenüber stehen teilweise noch manuell durchgeführte Prüfungen von Stoffen in der Textilfertigung oder optischen Erzeugnissen (z. B. Linsen). Hier ist die Fehlererkennung oftmals komplexer, da sich Mängel nicht nur in offensichtlichen Oberflächenschäden, oder der Vollständigkeitsprüfung äußern, sondern in der Textur, Trübung, Mustern etc. Arbeitskräfte, die schichtweise repetitive Qualitätssicherung betreiben, sind zeitlich in der Anzahl der Prüfvorgänge limitiert und schließen das Risiko von Ermüdungsfehlern nicht vollständig aus. Damit bleibt die manuelle Kontrolle ein Risikofaktor und Kostentreiber für den Gesamtfertigungsprozess. Effizienzsteigerung ist vor allem möglich durch eine kontinuierliche digitale Erfassung von Defekten, Maßen, Füllständen, Färbungen und Materialbeschaffenheit sowie dem zurückspielen dieser Informationen in ein lernendes System. Dadurch können Ausfallrisiken vermieden, Prüfungsvorgänge pro Zeit gesteigert und hierfür anfallende Personalkosten reduziert werden. 9/10 Produktqualität ist ein zentrales Differenzierungskriterium im globalen, transparenten und teilweise bereits hochautomatisierten Wettbewerb. Laut einer Infosys Studie1 sind rund 20% der Fertigungsunternehmen nicht in der Lage, ihre Qualität vollständig zu messen und ein entsprechendes Risikocontrolling zu betreiben. Insbesondere in Fertigungsteilprozessen mit bisher geringer Automatisierung (z. B. Textil, Optik) kann ein KI-basiertes System entscheidend zur Überwindung bisheriger Herausforderungen in der Prozessautomatisierung beitragen. Qualität Es existieren vier wesentliche Dimensionen, in denen KI Risiko minimieren kann: ▪ Compliance-Risiko (Einhaltung von Normen und gesetzlichen Gütestandards) ▪ Materialrisiko (Chargenausfall, Ersatzansprüche) ▪ Finanzielles Risiko (Garantieforderungen, Rückruf, Strafen) ▪ Nicht-aktivierbare Kosten (Kundenunzufriedenheit, Vertrauensverlust) Risikovermeidung Der Technologietransfer von einem System auf weitere Fertigungsschritte oder Prozesse ist nicht unmittelbar möglich. Machine Learning Modelle müssen individuell auf die Besonderheiten des zu kontrollierenden Objekts trainiert werden. Genereller Kompetenz-Aufbau sowie technologische Expertise im Bereich Machine Vision lassen sich hingegen problemlos strukturell auf weitere Anwendungsfälle übertragen. Skalierung 9/10 6/10 8/10
  7. 7. 8/10 7 AUTOMATISIERUNG MANUELLER PRÜFUNGS- KOSTEN IST DER WICHTIGSTE KOSTENHEBEL KOSTEN REDUKTION Kostenbereich Systemkosten Ausfallkosten Sub-Kategorie Kosten für Prävention Prüfungskosten Interne Ausfallkosten Externe Ausfallkosten Beschreibung Aufwände zur initialen Fehlervermeidung Aufwände zur operativen Qualitätssicherung und Folgeschadenvermeidung Interne Aufwände zur Fehlerbehebung oder Schadensminimierung Externe Aufwände für Entschädigungen durch Ausfall oder Produktversagen Use Case bezogene Kostenpositionen ▪ Qualitätsplanung ▪ Statistisches Sampling / Probenentnahme ▪ Mitarbeiterschulungen und Trainings ▪ Produktdesign-Optimierung ▪ Kundenevaluation und Marktforschung ▪ Materialinspektion von Zulieferteilen / Werkstoffen ▪ Produktionsschritt Qualitätssicherung ▪ Produktabnahmekontrolle ▪ Dokumentationspflicht ▪ Produkt-Testing ▪ Zertifizierungen ▪ Maschinen- und Anlagenwartung ▪ Ausschuss ▪ Nacharbeitungskosten ▪ Nachträgliche Kleinserienproduktion ▪ Chargenausfall ▪ Produktionsstopp ▪ Reparaturkosten ▪ Garantiekosten ▪ Reklamationen außerhalb der Garantie ▪ Rückrufe ▪ Haftungsansprüche ▪ Strafzahlungen ▪ Vertrauensverlust bei Kunden ▪ Overhead durch Formalitäten Einflussbereiche von KI in der Qualitätskontrolle Schwachstellenerkennung in der Qualitätsplanung, Mitarbeiter- Effektivität erhöhen Automatisierung manueller Kontrollen und Dokumentationen – bis zu 90% Einsparungspotenzial im Wirkbetrieb Steigerung der Prüfungsqualität durch Eliminierung menschlichen Versagens und Genauigkeit der Erfassung Langfristige Optimierung interner Gewährleistungsrichtlinien Effizienzgewinn durch KI = sehr niedrig = sehr hoch 8/10 7/10
  8. 8. 8 OPTISCHE QUALITÄTSKONTROLLE KANN BEREITS SEHR EINFACH UND ABGESICHERT STARTEN EINFACHE UMSETZUNG Einfachheit der Lösung Optische Qualitätskontrolle kann prozessual in fünf wesentliche Module bzw. Arbeitsschritte untergliedert werden und bereits in einem einfachen Setup sehr wirkungsvoll eingesetzt werden: 1) Datenerfassung: Visuelle Daten werden aus einem Produktionsumfeld mithilfe von Machine Vision Systemen (Kameras, Scanner, Lasersysteme) erfasst und als Rohdaten inkl. zugehöriger Metadaten (Zeitstempel, Arbeitsschritt etc.) in einem on-premise oder Cloud-System erfasst. 2) Trainings-Modul: Für eine effiziente Erkennung von Objekten, Klassifizierung oder Segmentierung von Bildteilen ist i.d.R. ein Training des KI-Systems notwendig, als Basis braucht es oftmals vorab gelabelte (korrekt klassifizierte) Input-Daten. 3) KI-Backend: Bilddaten werden arbeitsfähig konvertiert bzw. skaliert, eine fallabhängige Muster-Erkennung wird anschließend durch die zuvor trainierte KI prozessiert und eine entsprechende Entscheidung (defekt / kein Defekt) wird getroffen – oftmals eignen sich hierfür neuronale Netze. 4) Anwendungsoberfläche: Als zusätzliche Absicherung oder zur fortlaufenden Optimierung des Systems können KI-Entscheidungen an ein Frontend ausgespielt werden, das manuelle Validierungen und Freigaben ermöglicht, alternativ ist eine automatisierte Ansteuerung von korrigierenden Robotik-Elementen möglich. 5) Administration: Feedback und Parameter-Optimierung des Modells können aus dem Anwender-Frontend an das KI-Trainingsmoduls zurückspielt werden, um langfristig aus dem operativen Betrieb heraus zu optimieren. Schematischer Prozessablauf Datenerfassung Produktion Machine Vision System MetadatenBild-Rohdaten + + Erfassung KI-Backend Rohdaten Konvertierung Muster- erkennung Automatisierte Entscheidung Trainings-Modul Training des Machine Learning Modells Administration OptimierungFeedback Loop Anwendungsoberfläche Ergebnis der Qualitätssicherung 2nd Level Prüfung Validierung 7/10
  9. 9. 9 ALS EINSTIEGS-ANWENDUNG IN KI BIETET DER KLARE NUTZWERT DES USE CASES DIE IDEALE BASIS 7/10 EINFACHE UMSETZUNG 0 2 4 6 8 10 Einfachheit der Lösung Inter- operabilität Test Validität Problem- bewusstsein Organisatorische Offenheit Interoperabilität Relevant ist die Anbindung bzw. Integration in bestehende Produktionsprozesse, z. B. nachgelagerte Robotik-Elemente, die korrigierend Eingreifen (aussortieren). Weiterhin existiert bei datensensitiven oder latenzkritischen Prozessschritten die Flexibilität, das System on-premise oder in der Cloud laufen zu lassen. Noch sind dabei nicht alle Marktlösungen standardisiert. Die grundlegenden Frameworks sind jedoch leicht integrierbar, über APIs ansteuerbar und kompatibel mit Standard-Systemen, die in vielen Kundenumgebungen bereits vorzufinden sind (z.B. AWS, Azure, SAP etc.). Test-Validität Fallabhängig kann optische Qualitätssicherung automatisiert durch KI bereits in sehr kleinem Testumfang bereits produktiv funktionieren. Komplexere Setups benötigen Übergangsphasen und initialen Implementierungsaufwand – können jedoch in der Regel mit hoher Aussagekraft unabhängig getestet werden. Problembewusstsein Vergleicht man die Kosten für die manuelle Prüfung in Industriearbeitsstunden mit der von automatisierten Systemen, wird das Einsparungspotenzial schnell offensichtlich. Auch die Eintönigkeit der Arbeit fördert das Problembewusstsein bei Entscheidern. Organisatorische Offenheit Sofern klare Einsparpotenziale und Qualitätsoptimierung durch Automatisierung erreichbar sind, ist der Management Support in nahezu jedem Unternehmen gegeben. Mitarbeiter, die einen Arbeitsplatzverlust fürchten, werden durch Flexibilisierung ihrer Tätigkeit und begleitende Kontrollfunktionen oftmals nicht überflüssig, sondern effektiver eingesetzt. Bewertung der Umsetzungskomplexität 7/10 6/10 7/1010/10 7/10
  10. 10. Ressourcen Verfügbarkeit 10 INTERNE VORAUSSETZUNGEN MÜSSEN STIMMEN, UM LANGFRISTIG ERFOLGREICH ZU SEIN 6/10 STRATEGISCHER FIT Langfristiges Ziel des Use Cases ist es, Ressourcen einzusparen bzw. effektiver einzusetzen. Zur Realisierung werden jedoch zunächst zusätzliche Implementierungs- und Wartungs-Ressourcen benötigt, die entweder intern bereitgestellt, oder über externe Partner eingekauft werden müssen. Wichtig sind dabei vor allem eine saubere und übertragbare Architektur, das initiale Aufsetzen und trainieren des KI-Modells sowie die Integration in Bestandssysteme. Inwieweit auf Standard-Lösungen von Dienstleistern zurückgegriffen werden kann, hängt von der jeweiligen Fallkomplexität ab. Grundsätzlich ist der Anwendungsfall jedoch recht klar und verglichen mit anderen KI-Anwendungen eher ressourcenarm. 5/10 Der Einsatz automatisierter optischer Qualitätskontrollen ist in zweierlei Hinsicht wichtig in eine passende Kommunikationsstrategie einzubetten. Erstens sollte die Angst vor massivem Stellenabbau in der internen Kommunikation durch vorbereitende Informationen und unternehmensstrategische Einblicke vermieden werden. Zweitens sollten Kunden und Partner über die Vorteile und Qualitätsstandards aufgeklärt werden, um Vorbehalten und Unsicherheiten vorzubeugen. Passende Kommunikationsstrategie Die Neuartigkeit des Use Cases stammt aus dem Einsatz künstlicher Intelligenz. Besonders relevant sind neuronale Netze und Deep Learning als zentrale Tools in der intelligenten optischen Datenverarbeitung. Experten für diese Domäne sind oftmals nicht mit der nötigen Kapazität verfügbar und müssen rekrutiert werden. Beratungen können für Tests und PoCs völlig ausreichend sein. In einer Produktiv-Umgebung sind interne Experten für dieses Thema jedoch unerlässlich. Know How vorhanden Notwendige Computing- und Speicher-Kapazität sind zu vergleichsweise vernachlässigbaren Faktoren geworden. Viel wichtiger sind Daten. Eine ausreichende Menge visueller Inputdaten zum Training eines KI-Systems sowie das oftmals notwendige Labeling sind dabei die größten Herausforderungen. Die künstliche Generierung von Trainingsdatensätzen kann dabei Aufwand deutlich reduzieren. Inputfaktoren erschließbar 3/10 5/10 7/10 Management Priorität Jede technologische Innovation und Prozessanpassung ist mit Kosten verbunden und kann interne Widerstände hervorrufen. Durch das unmittelbar erkennbare finanzielle Einsparpotenzial und die Reduktion offensichtlicher Risiken ist eine hohe Management Priorität für die Entwicklung im Normalfall gegeben. Der zweite positive Aspekt ist die vergleichsweise schnell demonstrierbare Funktionalität des neuen Systems in Form eines Proof-of-Concepts. Dieser ist möglicherweise für den Regelbetrieb noch nicht ausgereift genug, schafft aber das nötige Vertrauen in eine kostenintensivere Weiterentwicklung der Lösung. 9/10
  11. 11. 11 DEEP LEARNING ERLAUBT DEN EFFIZIENTEREN EINSATZ VON MACHINE VISION TECHNOLOGY Einfluss neuartiger Schlüsseltechnologien Marktdurchdringung Früher MassenmarktInnovatoren Early Adopter Später Massenmarkt Nachzügler PENETRATIONSRATE Systemkomponente Rolle Marktdurch- dringung Adaptions- stadium Lösungs- charakter Machine Vision Enabler Früher Massenmarkt Deployment individuell Deep Learning Neural Networks Enabler Early Adopter Proof-of- Concept individuell Intelligente Picking-Roboter Performance Treiber Früher Massenmarkt Optimierung individuell IoT Sensor Networks Performance Treiber Early Adopter Live-Testing Individuell Edge Cloud Performance Treiber Innovatoren Proof-of- Concept Standard Cloud Computing Access Accelerator Später Massenmarkt Optimierung Standard Prototyping OptimierungDeploymentLive Testing Proof-of- Concept Adaptionsstadium TECHNOLOGISCHE REIFE MARKTREIFE 0 – 3 % 4 – 17 % 18 – 50 % 51 – 84 % 85 – 100 % 6/10
  12. 12. KI-Lösungsanbieter (Spezialisten) 12 DAS POTENZIELLE PARTNERSPEKTRUM ZUR LÖSUNGSENTWICKLUNG IST BREIT AUFGESTELLT Hinweis: Kein Anspruch auf Vollständigkeit, die Auswahl der Anbieter erfolgt auf Basis ihres kommunizierten Leistungsangebots bzw. öffentlichkeitswirksamen Projekten 8/10 ÖKOSYSTEM VERFÜGBARKEIT MARKTREIFE Lösungsanbieter Startups Realisierungspartner Open Source Communities Bei Systemanbietern von KI-gestützter Qualitätskontrolle sind generalistische Cloud-Plattformen von Industrie- spezialisten zu unterscheiden. Erstere bieten Microservices für die Fertigungsindustrie, während hochspezial- isierte Software- bzw. Hardware-Anbieter auf Basis bestehender Assets eine Gesamtlösung als Lizenzmodell anbieten. Die Startup-Landschaft entwickelt sich im KI-Bereich dynamisch, fokussiert sich jedoch am Anfang einer technologischen Entwicklung stärker auf B2C Use Cases. Dies liegt auch an der hohen Komplexität in der industriellen Fertigung. Ausgewählte Spezialisten finden sich jedoch sowohl in Europa als auch den USA zum Thema Qualitätssicherung. Zur Implementierung bzw. zur Lösungsentwicklung können spezialisierte IT-Beratungshäuser oder Forschungs-institut und Universitäten als Partner zu Rate gezogen werden. In beiden Segmenten ist das Thema industrielle Qualitätssicherung breit abgedeckt – leistungsfähige und renommierte Partner sind verfügbar. Die eigenständige Entwicklung von KI- Lösungen ist im Hinblick auf die notwendigen Software-Frameworks nicht kostenintensiv. Eine Vielzahl von Open Source Angeboten existiert mit umfassender Community-Unterstützung. Machine Learning und Computer Vision werden dabei von nahezu allen gängigen Frameworks unterstützt. KI-Lösungsanbieter (Generalisten) KI-Startups Beratung / Implementierung Forschung Frameworks
  13. 13. 13 KI IST KEIN ZUKUNFTS-THEMA MEHR – DER PRODUKTIVE EINSATZ IST BEREITS NACHGEWIESEN *Unternehmensbeispiele exemplarisch ausgewählt – kein Anspruch auf Vollständigkeit „FEAR OF MISSING OUT“ MARKTREIFE KI-KOMPETENZ UNTERNEHMENSGRÖSSE LEADER EARLY FOLLOWER KMU GROSSUNTERNEHMEN Anwendertyp* KI-Strategie* BUILD BUY PARTNER ? Je komplexer der Prüfvorgang, desto sinnvoller eine eigene Lösung. Bei der Verwaltung großer Datenmengen, Compliance-Themen und der auto- matisierten Ansteuerung von Robotik- Elementen eignen sich explizit dafür ausgelegte Lösungen meist besser als die Adaption existierender Systeme. Entwicklungs-Frameworks bieten eine Vielzahl vorhandener Module, die angepasst werden können. Dies erfordert jedoch mehr Zeit und die Investition in KI-Entwickler, welche zur Zeit nicht nur rar sondern auch sehr teuer sind. Das Einkaufen von Standardlösungen bis hin zu Teams oder Startups, die sich dem Thema widmen, ist in der Qualitätsprüfung schwierig. Durch die Vielzahl der unterschiedlichen Anforderungen werden auch in naher Zukunft keine „Produkte von der Stange“ existieren. Erhältlich sind jedoch sogenannte KI-as-a-Service Module von Cloudanbietern wie IBM oder Microsoft bis hin zu vortrainierten Speziallösungen von Industrieexperten wie Cognex oder vergleichbaren Anbietern. Der Partneransatz kann in vielen Fällen Sinn ergeben. Der Zusammenschluss mit Kunden oder Zulieferern, Partnern aus der Forschung, oder eine Lizenzierung eigener Lösungen zur Refinanzierung sind denkbare Optionen. Argumente hierfür können geringe Datenverfügbarkeit, gemeinschaftliche Vorteile oder Grundlagen- Schaffung in experimenteller Umgebung sein. Das Ökosystem bietet ausreichend Anlaufstellen im deutschsprachigen Raum, solche Projekte umzusetzen. Wettbewerbsgedanken sollten hierbei hinten angestellt werden, da der potenzielle Gewinn durch Technologieeinsatz aktuell noch alle Wettbewerber profitieren lässt. GeschäftsmodelldiversifikationFirst-Mover Marktanteile gewinnen „low-hanging fruits“ ernten Know How einkaufen Plug and Play Lösungen Individualisierte Standardlösungen (Spezial-)Lösungsentwickler Individual-Lösungen 8/10
  14. 14. 14 PRAXISBEISPIELE ZEIGEN DEN KLAREN MEHR- WERT DURCH DIE ADAPTION VON KI-SYSTEMEN MARKTDYNAMIK MARKTREIFE Siemens Gamesa - Turbinenblattinspektion KPM – Komponentenprüfung in Doppelpumpenmontagelinie VARTA – Pseudo-Ausschussvermeidung in der Batterieprüfung Der Qualitätssicherungsprozess bei Siemens Gamesa wurde dank einer mit Fujitsu gemeinsam entwickelten KI- Lösung beschleunigt, wodurch die Inspektionszeiten von neuen Turbinenblättern stark reduziert wurden. Die zentimetergenaue Abtastung verringert die bisherige sechsstündige manuelle Prüfung, um 75 Prozent auf ca. 90 Minuten. Link Kawasaki Precision Machinery (KPM) nutzt ein vollauto- matisches Machine Vision System auf ihrer Montagelinie. Geprüft werden sechs verschiedene Teile mit insgesamt 63 Varianten. Durch KI konnte die Notwendigkeit mehrerer sich bewegender Kameras eliminiert werden. Inspektions- qualität, Schnelligkeit und Flexibilität konnten deutlich verbessert werden. Link Die Herausforderung: Den Pseudo-Ausschuss beim Batterie- hersteller so niedrig wie möglich zu halten. Bisherige 2D- Systeme waren in der Lage, Qualitätsmängel durch Verschmutzungen und Deformationen zu erkennen. Der Pseudo-Auswurf fiel mit bis zu 10% jedoch deutlich zu hoch aus. Ein KI-basiertes 3D-System inspiziert Fälle innerhalb von nur 0,06 Sekunden bei 100% Prüfqualität. Link. Zentrale KPIs Praktische Learnings „to-watch“ ▪ Overall Equipment Effectiveness (OEE) ▪ Overall Line Efficiency (OLE) ▪ 100%-Prüfqualität ▪ Inspektionszeit pro Objekt Drei Haupt-Anwendungsfälle für intelligente, automatisierte Qualitätsprüfsysteme 1) Zeitintensive, unzugängliche manuelle Prüfung 2) Statische Prüfsysteme bei hoher Produktionsflexibilität 3) Ineffizienzen in hoher Stückzahlproduktion durch „overfitting“ klassischer Prüfsysteme ▪ Best Practices in strukturell ähnlichen Produktionsumfeldern ▪ Performanz vglw. einfach konfigurierbarer Cloud-Module durch kontinuierliches Testing ▪ Interner Optimierungsdruck auf den Effizienz-KPIs für die Entscheidung auf KI-basierte Systeme umzustellen 9/10
  15. 15. 15 SICHERHEIT, STABILITÄT UND EFFIZIENZ SIND KERNELEMENTE EINER ROBUSTEN INFRASTRUKTUR 1) Quelle: https://www.handelsblatt.com/unternehmen/mittelstand/familienunternehmer/produktionskosten-von-wegen-billig-die- loehne-in-china-steigen-rasant/22905244.html?ticket=ST-1000859-sQ3qkTRrvBk6FdTcMeD3-ap1 ROBUSTHEIT DER INFRASTRUKTUR MARKTREIFE BarrierenTreiber Arbeitskosten Steigende Lohnniveaus in westlichen Produktionsstandorten, insbesondere aber im asiatischen Raum (ca. 10% jährlich seit 20121) setzen globale Unternehmen zunehmend unter Druck Prozesskosten zu senken. Qualitätssicherung ist hierbei ein hochrelevanter Hebel. Datenverfügbarkeit (Sensorik) Machine Vision Systeme ermöglichen immer mehr Einsatzgebiete für automatische Qualitätssicherung. Egal ob Einzelbild, Video oder dreidimensionale Oberflächenmodelle – die Analysetiefe durch gestiegene Datenverfügbarkeit übersteigt zumeist bereits die menschliche Wahrnehmung und steigert somit die Ergebnisqualität. Deep Learning / Neuronale Netze Der zentrale Entwicklungstreiber von Machine Vision Performanz in den vergangenen Jahren wird auch künftig die Output-Qualität kontinuierlich verbessern und somit immer komplexere Aufgaben ermöglichen. Mangel an KI-Spezialisten Die Verfügbarkeit qualifizierter Experten, die in der Lage sind Systemarchitekturen aufzusetzen und selbstlernende KI-Systeme zu trainieren und zu administrieren können aufgrund der hohen Nachfrage und damit entsprechenden Preisen zur Adaptionsbarriere vor allem für Mittelständler werden. Existierende bildgebende Verfahren Bestehende Verfahren sind maschinell lernenden Systemen in puncto Flexibilität, was veränderte Bedingungen oder Interpretationstiefe (Reduktion von Pseudofehlern) angeht deutlich unterlegen. Funktionieren sie in einem eng gesteckten Rahmen jedoch sehr effizient, gibt es keinen Druck das System grundlegend zu verändern. Geringe Fehlertoleranz KI Entwicklung ist ein iterativer Prozess. Optimierung resultiert aus Erfahrungsdaten. Bei geringer Fehlertoleranz des Use Cases oder der verantwortlichen Entscheider, können anfängliche Bemühungen scheitern, da das System nicht genug Lernkapazität bekommen hat, um in der Produktivumgebung eingesetzt werden zu können. Unausgereifte Standards KI Lösungen in der Qualitätskontrolle sind Stand heute noch kein Standard „Plug and Play“-Service. Sowohl Anbieter als auch Anwender sammeln Erfahrungen und definieren gemeinsam Standards. Schlüsselfertige Lösungen sind allerdings auch in Zukunft auf Grund der spezifischen Anforderungen kaum erwartbar. Cloud Computing / Edge-Computing Rechenintensive KI-Anwendungen können heute bereits vergleichs- weise kostengünstig in der Cloud oder on-premise realisiert werden. Mit Edge Computing können auch sicherheitsrelevante Daten zu ultra- geringen Latenzzeiten prozessiert werden und ermöglichen eine Vollautomation der Qualitätskontrolle. 7/10
  16. 16. 7/10 16 INTELLIGENTE QUALITÄTSPRÜFUNG IST BEREITS PRAXISTAUGLICH, BREITE ADAPTION STEHT BEVOR MARKTREIFE Status quo Ausblick Monitoren Live-Test Deployment Automatisierte Qualitätskontrolle ohne den Einfluss einer maschinell lernenden KI im Hintergrund hat wesentliche Fortschritte zur manuellen Inspektion und Prüfung gebracht. Es beinhaltet jedoch auch einige Schwächen vor dem Hintergrund zunehmender Flexibilisierung von Produktionsabläufen im Rahmen der Industrie 4.0. ▪ Höherer Wartungsaufwand und Systemkosten ▪ Geringe Flexibilität und Skalierbarkeit ▪ Hohe Kosten und ggf. Abhängigkeit von einzelnen Lösungspartnern Die Zukunft von automatisierten Qualitätssicherungssystemen liegt im Einsatz künstlicher Intelligenz, die manuelle Prüfarbeit z.T. überflüssig macht, extrem hohe Genauigkeit bei geringem Pseudo-Ausschuss erzielt und flexibel auf unterschiedliche Varianten, Farben und sogar harmlosen Verunreinigungen reagieren kann. ▪ Einsatzmöglichkeiten in der Cloud, on-premise oder hybrid ▪ Hohe Skalierbarkeit bis hin zur Erweiterung als neues Lizenzgeschäftsmodell ▪ Geringerer „Vendor lock-in“, sowohl auf Hardware- als auch auf Softwareseite Innovationsführer, Großproduzenten Early Adopter, KMUs Prototyp / Proof-of-Concept Optimieren Wo stehen wir aktuell?
  17. 17. CHECKLISTE: INDIVIDUELLE UMSETZUNGSRELEVANZ 17 ORIENTIERUNGSPUNKTE FÜR EINE ERFOLGREICHE USE CASE IMPLEMENTIERUNG Optimierungspotenzial Veränderungsdruck Aktionspunkte ❑ Aktuell hoher manueller Prüfungs- aufwand ❑ Produktspezifisch hohe Garantie- bzw. Ausfallkosten ❑ Aktuell eingesetzte Automatisierungs- lösung mit hohen Initialkosten ❑ Hohe Anzahl an zu prüfenden Produktvariationen ❑ Pseudo-Fehler sorgen für Ineffizienzen Aspekte, die auf den Bedarf an einer KI-gestützten Qualitätskontrolle hindeuten ❑ Qualität ist wichtigstes Differenzierungs- element zum Wettbewerb ❑ Derzeitige Lösung ist herstellergebunden und erfordert hohes Spezialwissen ❑ Flexibilität für die eigene Produktion von stark wachsender Bedeutung ❑ Höhere Transparenz und Sicherheit im Compliance angestrebt ❑ Qualitätsschwankungen an unterschiedlichen Fertigungsstandorten Faktoren, die den Handlungsdruck im Bereich Qualitätsmanagement erhöhen ❑ Präzise IST-Analyse der Bestandssysteme und konkrete Problemdefinition ❑ Definition von internen Projektressourcen oder Partnersuche ❑ Evaluation von Datenquellen (Qualität, Volumen, Schnittstellen, Verfügbarkeit) ❑ Short-List-Erstellung von KI-Lösungs- alternativen bzw. Systemerweiterungen ❑ Minimum-Viable-Testsetup aufsetzen (außerhalb des Produktivbetriebs) Konkrete Maßnahmen, die bei einem avisierten Test-Projekt zu beachten sind
  18. 18. ÜBER APPANION 18 WIR HELFEN DABEI, DIREKTEN MEHRWERT AUS IHREN DATEN ZU ERZIELEN Wir identifizieren passende KI-Anwendungsfälle und helfen bei der zielorientierten Priorisierung IDENTIFY Wir erstellen einen konkreten Plan über Anforderungen, Projektorganisation und feedbackgesteuerte Iterationsschritte PLAN Wir evaluieren geeignete Lösungen für unternehmensspezifische Anforderungen EVALUATE Wir begleiten den Entwicklungs- und Implementierungsprozess und unterstützen bei der Partnerauswahl EXECUTE Wir schaffen Entscheidungssicherheit über Prozessdesign und funktionale Prototypen TEST Wir entwickeln eine zukunftssichere Datenstrategie auf Basis der langfristigen Unternehmensziele SUSTAIN
  19. 19. 19 METHODIK BACKUP
  20. 20. UNSERE METHODIK 20 FREQUENTLY ASKED QUESTIONS Was bedeutet das Use Case Scoring? Technologische Innovationen im Bereich der künstlichen Intelligenz oder Blockchain Technologie verändern Unternehmensprozesse, Geschäftsmodelle und Verhaltens- weisen nachhaltig. Teilweise ist der Fortschritt dabei in so kurzer Zeit erreicht, dass bestehende Organisationsstrukturen sich nicht schnell genug anpassen können und es zur Disruption von relevanten Marktteilnehmern oder ganzen Märkten kommt. Mit dem Use Case Scoring haben wir eine Methode entwickelt, die einen Überblick über aktuell wichtige technologische Innovationsbereiche in unterschiedlichen Branchen gibt. In detaillierten Einzelprofilen stellen wir eine erste Einschätzung, eine strukturierte Priorisierung sowie die wichtigsten Eckdaten zur Verfugung. Unternehmen können hiermit die Dringlichkeit auf den ersten Blick einschätzen, mit der sie sich diesen Themen zuwenden sollten. Wie funktioniert die Use Case Analyse? Die Use Cases werden industriespezifisch aus unserer langjährigen Erfahrung im Bereich Markt- und Trendbeobachtung im Digital- und Technologieumfeld einzeln geprüft und ausgewählt. Das Bewertungsmodell beruht auf fünf zentralen Dimensionen, die eine umfassende Evaluation des Anwendungsfalls ermöglichen. („Performance Gewinn“, „Kosten Reduktion“, „Marktreife“, „Strategischer Fit“ und „Einfache Umsetzung“). Alle fünf Dimensionen sind in gewichtete Einzelfaktoren segmentiert, die in den detaillierten Use Case Profilanalysen transparent bewertet werden. Aus der Erfahrung zahlreicher Strategie- und Business Intelligence Projekte, die wir in den vergangenen Jahren sowohl in DAX-Konzernen als auch im Mittelstand aktiv begleitet haben, leitet sich unser flexibler Bewertungsrahmen ab, der die zentralen Erfolgsfaktoren technologischer Innovationsprojekte abbildet. Welche Werte werden für die Use Case Bewertung zu Grunde gelegt? Bei der Analyse von technologischen Innovationen versuchen wir explizit nicht eine allgemeingültige Wahrheit zu finden – die verschiedenen Einflussdimensionen und Perspektiven erfordern im Regelfall eine unternehmensspezifische Detailanalyse. Einschätzungen, die tatsächlichen Wettbewerbsvorteil bedeuten, ergeben sich oftmals aus fokussierter Marktbeobachtung, einem fundierten Verständnis von Markt- dynamiken sowie Geschäftsmodellen. Die Absicherung von Entscheidungen durch Marktforschung, langfristig angelegten Forschungsprojekten und die Erstellung umfassender PowerPoint-Analysen dauert häufig zu lange und bindet Ressourcen, mit denen bereits wichtige Fortschritte in Tests und Prototypen erzielt werden können. Unsere Alternative ist ein einfaches, intuitives Bewertungsmodell auf einer Skala von 1 (Worst-Case Voraussetzung) bis 10 (Optimalbewertung), das von einem ausgewählten Expertenkreis in einem Achtaugenprinzip geprüft und freigegeben wird. Unser Expertennetzwerk beinhaltet erfahrene Strategieberater, Business Intelligence Spezialisten, Marktanalysten und Branchenexperten mit praktischen oder wissenschaftlichem Hintergrund. Welche Gewichtung der Einzelfaktoren sorgt für eine Gesamtbewertung? Die Gewichtung der Einzelfaktoren spiegelt eine durchschnittliche Branchen- einschätzung wider. Die Gewichtungsverhältnisse können auf der Folgeseite nachvoll- zogen werden. Je nach Unternehmensvoraussetzungen und Use Case Komplexität können sich Bewertungsdimensionen unterschiedlich stark ausprägen. Eine individualisierte Einzelfallprüfung bieten wir unseren Kunden daher projektbasiert an. Wo finde ich weitere Informationen und Use Case Profile? Unser Use Case Profil-Datenbank befindet sich derzeit im Aufbau. Weitere Informationen erhalten sie auf appanion.com oder kontaktieren Sie uns persönlich.
  21. 21. EINFLUSS DER BEWERTUNGSDIMENSIONEN 21 DAS FLÄCHENMASS REPRÄSENTIERT DIE PROZENTUALE GEWICHTUNG (NORMIERT AUF 100 PROZENT)
  22. 22. WIR FREUEN UNS ÜBER IHR FEEDBACK! Haftungsausschluss: Diese Analyse basiert auf Recherchen und Daten der zuvor genannten Quellen. Alle präsentierten Informationen wurden von Appanion und assoziierten Experten mit großer Sorgfalt recherchiert und aufbereitet. Für die präsentierten Daten und Informationen kann Appanion keine Gewährleistungen jeglicher Art übernehmen. Informationen und Daten stellen in ausgewählten Fällen individuelle Meinungen dar und bedürfen gegebenenfalls einer weiteren Interpretation als Entscheidungsgrundlage. Nach der Veröffentlichung dieses Dokuments können nicht vorhersehbare Fortschritte in Forschung oder Praxis erzielt werden, die eine alternative Einschätzung nahelegen. Appanion haftet daher nicht für Schäden, die durch die Verwendung der in dieser Analyse enthaltenen Informationen und Daten entstehen. Tobias Bohnhoff Appanion Labs GmbH ▪ Hopfenstrasse 11 ▪ 20359 Hamburg ▪ www.appanion.com

×