{"id":3387,"date":"2021-04-22T14:41:37","date_gmt":"2021-04-22T12:41:37","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/stec\/?post_type=projects&p=3387"},"modified":"2023-03-10T13:51:37","modified_gmt":"2023-03-10T12:51:37","slug":"ki-potenzialanalyse-active-worker-assistance-system","status":"publish","type":"projects","link":"https:\/\/s-tec.de\/en\/projekte\/ki-potenzialanalyse-active-worker-assistance-system\/","title":{"rendered":"KI-Potenzialanalyse \u00bbActive Worker Assistance\u00ab-System"},"content":{"rendered":"\n\n
\n
\n
\n
\"Architektur
\u00a9 Fraunhofer IAO<\/figcaption><\/figure>\n<\/div><\/div>\n\n\n\n

In einer teilautomatisierten Fertigungszelle werden Prozesse durch ein aktives Werkerassistenzsystem optimiert. Durch genauere Vorhersagen der Zykluszeiten der Maschinen kann die bisherige regelbasierte Priorisierungslogik mit K\u00fcnstlicher Intelligenz (KI) weiter verbessert werden.<\/p>\n\n\n\n

Teilautomatisierung um Wrkerassistenzsystem erg\u00e4nzt<\/h4>\n\n\n\n

Eine teilautomatisierte Fertigungszelle wird durch ein aktives Werkerassistenzsystem optimiert, indem Mitarbeitende mithilfe von Visualisierungssystemen zu Maschinen geleitet werden, an denen manuelle Arbeitsschritte notwendig sind. Die bisher verwendete regelbasierte Priorisierungslogik bietet noch Optimierungspotenzial. Um Mitarbeitenden die Maschinen vorschlagen zu k\u00f6nnen, die als n\u00e4chstes stillstehen bzw. die k\u00fcrzeste Restlaufzeit haben, m\u00fcssen gute Voraussagen \u00fcber die Zykluszeiten der Maschinen getroffen werden k\u00f6nnen. <\/p>\n\n\n\n

Dies gestaltet sich vor allem bei einem Maschinentyp in der Zelle als schwierig. Hierbei k\u00f6nnen an zwei Stationen unterschiedliche Rezepte laufen. Die Vorhersage wahrscheinlicher Zykluszeiten f\u00fcr verschiedene Rezeptkombinationen kann mittels Clustering-Verfahren erm\u00f6glicht werden. Der Einbezug zus\u00e4tzlicher Datenquellen, wie z.B. Temperatur- oder Feuchtigkeitssensoren, kann zur weiteren Optimierung der Vorhersage dienen.<\/p>\n\n\n\n

Projektablauf<\/h4>\n\n\n\n

Das Projekt wurde im Rahmen eines Quick Checks des vom Land Baden-W\u00fcrttemberg gef\u00f6rderten KI-Forschungszentrums \u00bbLernende Systeme und Kognitive Robotik\u00ab<\/a> bearbeitet. Bisher wurden die Maschinenlogdaten \u00fcber einen Zeitraum von vier Wochen analysiert und ausgewertet. Viele Faktoren beeinflussen die Zykluszeit der Maschinen, die alle rezeptspezifisch sind. Erste Auff\u00e4lligkeiten und Zusammenh\u00e4nge bei der Voraussage von Maschinenzykluszeiten wurden identifiziert. <\/p>\n\n\n\n

F\u00fcr eine Umsetzung des KI-Systems m\u00fcssen aktuelle Daten auf der Grundlage bestehender Layouts, Prozesse und Rezepte \u00fcber einen l\u00e4ngeren Zeitraum gesammelt und aggregiert gespeichert werden. Es wird empfohlen, in der Zelle zus\u00e4tzliche Sensoren zu installieren, um z.B. Einflussfaktoren, wie Temperatur und Luftfeuchtigkeit, bei der Voraussage der Zykluszeiten miteinbeziehen zu k\u00f6nnen. Vielversprechende Modelle wurden vorgeschlagen. Au\u00dferdem wurden Ideen entwickelt, um das Erfahrungswissen von Mitarbeitenden zur Optimierung der Priorisierungslogik miteinbeziehen zu k\u00f6nnen.<\/p>\n\n\n\n

Projektnutzen<\/h4>\n\n\n\n