AIV A. 2 Künstliche Intelligenz - Denkbares in der Produktion

Größe: px

Ab Seite anzeigen:

Download "AIV A. 2 Künstliche Intelligenz - Denkbares in der Produktion"

Nicole Hofmann
vor 5 Jahren
Abrufe

2 AIV A 2

3 Künstliche Intelligenz Denkbares in der Produktion Dr. Marcel von der Haar

4 Buzzword Künstliche Intelligenz?

5 01 Künstliche Intelligenz Definition & Schwache vs. Starke KI Künstliche Intelligenz (KI, EN: artificial intelligence, AI) ist ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens und dem Maschinellen Lernen befasst Der Begriff ist insofern nicht eindeutig abgrenzbar, als es bereits an einer genauen Definition von Intelligenz mangelt. Starke KI as Generalisierte Intelligenz, die die ganze Bandbreite menschlichen Denkens abdeckt. Schwache KI narrow AI Lernfähiges System, das konkrete Anwendungsprobleme / Spezialfälle menschlichen Denkens automatisieren soll und mit Unsicherheiten / Wahrscheinlichkeiten umgehen können soll. 5

6 01 Künstliche Intelligenz KI, Big Data, etc. Küstliche Intelligenz Maschinelles Lernen Deep Learning Neuronale Netze Big Data 6

01 Künstliche Intelligenz Geschichte: Data Science und KI in der Produktion

Regression (MLR) Multivariate SPC PLS* & NN* Softsensoren Nachholen und

Bessere Datenintegration Rechenleistung Open Source 20 s 50 s 70 s 90 s 10 s -

7 01 Künstliche Intelligenz Geschichte: Data Science und KI in der Produktion Statistische Prozess Kontrolle (SPC) Design of Experiments (DOE) Multiple Lineare Regression (MLR) Multivariate SPC PLS* & NN* Softsensoren Nachholen und Wiederentdecken (z.b. Entscheidungsbäume) Was ist neu? Bessere Datenintegration Rechenleistung Open Source 20 s 50 s 70 s 90 s 10 s - Heute Nichtlineare Modelle Gesamtheit der Daten kann zusammen analysiert werden! 7 *PLS: Partial Least Squares, NN: Neural Network

01 Künstliche Intelligenz Maschinelles Lernen - Modellansatz

Archiv Modell Dimensionsreduktion Aktuell Vorhersage Industrie

Verkaufte Einheiten Produktion Sales-Vorhersagen Materialbedarf

8 01 Künstliche Intelligenz Maschinelles Lernen - Modellansatz Anwendungen Klassifizierung Regression Clustering Dichteabschätzung Archiv Modell Dimensionsreduktion Aktuell Vorhersage Industrie aktuelle Daten / Annahmen Vorhersage Einzel-/Großhandel Preisdaten Verkaufte Einheiten Produktion Sales-Vorhersagen Materialbedarf Logistik Abfahrtsplanung Energiebedarf Öl- und Gas Produktionsvorhersage Energiebedarf 8

01 Künstliche Intelligenz Spezialfall: Deep Learning Recurrent Neural Networks Convolutional Neural Networks RNN for Machine Translation.

9 01 Künstliche Intelligenz Spezialfall: Deep Learning Recurrent Neural Networks Convolutional Neural Networks RNN for Machine Translation. Image Source: 9

10 Übersicht: Use Cases

11 02 Übersicht: Use Cases Forschung & Entwicklung 11

12 02 Übersicht: Use Cases Forschung & Entwicklung 12

13 CDO Data Science COMPASS Den richtigen Kunden zur richtigen Zeit adressieren Sales data Machine Learning model Sales opportunities 13

CDO Data Science Komplexität: OPTIMALe VerPACKungsc hargen Ein datengetriebener Ansatz identifiziert den idealen trade-off zwischen Packungskosten und Haltekosten Zentralisierte Verpackung, getrennte

14 CDO Data Science Komplexität: OPTIMALe VerPACKungsc hargen Ein datengetriebener Ansatz identifiziert den idealen trade-off zwischen Packungskosten und Haltekosten Zentralisierte Verpackung, getrennte Länder-Chargen Beträchtliche Rüstkosten bei Chargenwechsel Große Chargen können zu hohen Haltekosten sowie Überschreitung des Haltbarkeitsdauer führen Cost Risk of expiry Totale Kosten Haltekosten Orderkosten Re-order quantity 14

15 Use Cases in der Produktion

Durchsatzmaximierung Superabsorber Ermöglichung kosteneffizienter online-analytik durch den Einsatz automatisch generierter Softsensoren.

16 Durchsatzmaximierung Superabsorber Ermöglichung kosteneffizienter online-analytik durch den Einsatz automatisch generierter Softsensoren. Komplexität Qualitätsmerkmale (Vernetzungsgrad, Wasseraufnahme) nur zeitaufwändig im Labor bestimmbar. 1 Identifikation relevante Messwerte 2 Vollautomatische Modellbildung mittels KNNs 3 Anbindung des Modells an die Prozessteuerung Reduktion relativer Produktionskosten Maximierung des Ausstoßes durch dichteres Heranfahren an die erlaubten Spezifikationsgrenzen.

CDO Data Science HARDWARE FOR EXPERIMENTS POWER-UP A Design

bioprocessing DATA SCIENCE APPROACH Deep well plates AMBR

experiments and collect Data Build and optimize models

17 CDO Data Science HARDWARE FOR EXPERIMENTS POWER-UP A Design of Experiments approach helps to optimize yield in bioprocessing DATA SCIENCE APPROACH Deep well plates AMBR Lab scale bioreactor Generate experimental design Run experiments and collect Data Build and optimize models POTENTIAL BENEFITS Yield increase by ~ 80% Faster time to market by 3-4 months

18 Agent Prozesskontrolle Status Action Umgebung Modellfreie, Vollautomatische Optimierung von Model Predictive Control

03 Use Cases in der Produktion Neue Services ermöglichen Automatisierte Prozessentwicklung Personalintensive Dienstleistungen können nur für Premium- bzw.

19 03 Use Cases in der Produktion Neue Services ermöglichen Automatisierte Prozessentwicklung Personalintensive Dienstleistungen können nur für Premium- bzw. Großkunden angeboten werden Machine Learning ermöglicht die Automatisierung einiger dieser Dienstleistungen (z.b. Prozessentwicklung als CMO für Kleinaufträge) Besserer Service für ein breiteres Kundensprektrum 19

20 Lessons Learned: Fallstricke und Limitierungen

21 04 Lessons Learned Fallstricke und Limitierungen Wo sind die Daten? Was sind DAS für Daten? Was alle denken Programmieren Realität Fragen Sind ausreichend historische Daten vorhanden? Können Daten aus unterschiedlichen Quellen harmonisiert und verknüpft Trainingsdaten werden? requirieren Existieren & prozessieren ersatzweise externe Datenquellen? 21

22 04 Lessons Learned Fallstricke und Limitierungen Generalisierung & Overfitting II 22

24 02 Übersicht: Use Cases Supply Chain & Site Management Vollautomatisches Aufstocken Minimierung von Restbeständen Minimierung von Out-of-Stock Ereignissen Input: Marke, Preis, Onlineplatzierung, Bestandssituation, Wetter, etc. (>100) Replenishment und Price Optimization bei OTTO. 24

25 03 Use Cases in der Produktion Optimierung der Produktion Problem Produktion unterliegt stetigem Optimierungsdruck. Input Daten Produktionsdaten (Temperatur, Drücke, Flussraten) (PIMS, DCS) Labordaten (LIMS, Excel) Output Daten Umsatz, Konversion, Selektivität, Lösung Einbeziehung tausende Inputparameter mit möglichen nicht-linearen Interaktionen generiert zusätzliche Erkenntnisse. Einsetzbar in Batch- sowie Conti-Prozessen. Meist Voraussetzung: Verbindung von Prozess- und Labordaten. Vorteile Identifizierung wichtiger Parameter und Prozessbedingungen Reduzierte Batchzeiten Erhöhung von Umsatz oder Ausbeute Verhindern von off-spec Situationen 25

26 03 Use Cases in der Produktion Katalysator-Lebenszeit-Vorhersage und Ausbeute-Optimierung Problem Die Lebenszeit eines teuren Katalysators hat einen großen Einfluss auf das Produktionsvolumen. Aufgrund komplexer Logistik müssen Austauschzeiten Wochen im Voraus bekannt sein. Lösung Installation eines Prozessinformations-Management-Systems (PIMS) Analyse der Einflussfaktoren bzgl. Lebenszeit und Ausbeute. Vorhersage des Zeitpunkts, an dem das Produkt off-spec ist. Eingangsdaten Produktionsdaten, Qualitätsdaten (LIMS), Produktionsplanungsdaten Ausgangsdaten Lebenszeit-Vorhersage, Einflussfaktoren Vorteile Erhöhte Produktivität (Lebenszeit und Ausbeute) Bessere Planbarkeit der Katalysatortauschs 26

Lösung Analyse der Prozess und Alarmdaten und engeres definieren von Alarm-Richtwerten ohne Sicherheitsverlust.

27 03 Use Cases in der Produktion Alarmmanagement Problem Häufige Fehlalarme belasten Anlagenfahrer und erhöhen das Risiko eines ignorierten relevanten Alarm. Lösung Analyse der Prozess und Alarmdaten und engeres definieren von Alarm-Richtwerten ohne Sicherheitsverlust. Vorteile Reduktion von Fehlalarmen Erhöhte Sicherheit Eingangsdaten Prozessdaten, Aktuelle Alarm- Richtwerte Mehr Freiraum für andere Aufgaben Ausgangsdaten Optimierte Alarm-Richtwerte 27

28 CDO Data Science Problem: IMPURITY DETECTION In silico Methoden identifizierten Verunreinigungen, die für Qualitätsprobleme verantwortlich waren In silico Simulation von Spektren für unterschiedliche, potentielle Verunreinigungen Welche Verunreinigung verursacht das Problem In silico Ansatz: Transmission? Transmission Transmissionsspektrum gemessen erwartet Wellenlänge Problematische Verunreinigung identifiziert! LC transmission Transmissionsspektrum spectrum measured gemessen simulated simuliert Transmissionsspektrum gemessen simuliert Wave length 28

03 Use Cases in der Produktion Design of Experiments (DoE) & Surrogate-based Optimization (SBO) Problem Für viele Produktionsanlagen sind historische Daten (noch)nicht verfügbar.

29 03 Use Cases in der Produktion Design of Experiments (DoE) & Surrogate-based Optimization (SBO) Problem Für viele Produktionsanlagen sind historische Daten (noch)nicht verfügbar. Trotzdem kann großes Potential zur Prozessoptimierung vorhanden sein. Lösung DoE- und SBO-Techniken können auch mit kleinen Experimentsets nützliche Information liefern. Vorteile Daten-basierte Entscheidungsfindung ohne historische Daten. 29

30 03 Use Cases in der Produktion Weitere Produktions-Relevante Beispiele Automatische, kontinuierliche Vorhersage von Qualitätsparametern von Rohmaterialien von Fouling (z.b. Wärmeaustauscher) Reduktion von Messzeiten und Kosten Textanalysen von Overall Equipment Effectiveness (OEE) Kommentaren sowie Schichtbucheinträgen 30

31 04 Lessons Learned Fallstricke und Limitierungen Generalisierung & Overfitting I

Ähnliche Dokumente

SKOPOS Webinar 22. Mai 2018

SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas