Datenbasierte Prozessparameterauswahl durch KI
Herausforderung & Zielsetzung
Die zentrale Herausforderung in der Herstellung von medizinischen Produkten ist die Gewährleistung höchster Qualitätsstandards. Auch die Firma H&T Presspart GmbH & Co. KG muss sich dieser Herausforderung im Rahmen der Aerosoldosenherstellung stellen. Damit zu verabreichende Medikamente nicht an den Innenwänden der Dosen haften bleiben, werden diese in einem aufwändigen mehrschrittigen Prozess beschichtet. Die Eigenschaften der resultierenden Lackschicht hängen dabei von Parametern wie den Temperaturen und Drücken in den einzelnen Modulen der Lackieranlage, aber auch von den Umgebungsbedingungen sowie Lackeigenschaften ab. Die komplexen Zusammenhänge der Einflussparameter erfordern speziell geschulte und erfahrene Maschinenführende, die Änderungen rechtzeitig erkennen.
Derzeit wird dieser Herausforderung durch den Aufbau eines großen Erfahrungswissens seitens der Mitarbeitenden begegnet. Diese überwachen in Intervallen stichprobenartig die Eigenschaften der resultierenden Lackschicht und passen die Prozessparameter gegebenenfalls manuell an. Die Entscheidung darüber, welche Parameter verändert werden, basiert dabei auf dem Erfahrungswissen der Mitarbeitenden.
Das Ziel dieses Projekts war es daher, die Mitarbeitenden bei der Einstellung der Prozessparameter zu unterstützen. Dazu soll eine KI anhand aktueller Daten, bestehend aus Produktions- und Umgebungsbedingungen, Vorschläge generieren, welche den Mitarbeitenden helfen, die richtigen Parametereinstellungen vorzunehmen.
Dadurch verringert sich im Idealfall die Einarbeitungszeit, die Entscheidungen zur Parameteranpassungen werden transparenter und die Abhängigkeit von Erfahrungswissen einzelner Mitarbeitender wird reduziert. Die KI-Anwendung könnte darüber hinaus auch der erste Schritt zu einem vollautomatisierten Lackierprozess sein, bei dem eine überwachende KI in einen geschlossenen Regelkreis eingebunden ist.
Um die korrekte Parametereinstellung zu unterstützen, wurde anhand eines historischen Datensatzes einer Lackierstraße der Firma H&T Presspart GmbH & Co. KG eine KI trainiert, welche auf Basis von Prozessparametern Qualitätsmerkmale der Lackschicht prädiktiert. Dadurch konnten Parameter identifiziert werden, welche einen hohen Einfluss auf die Qualität besitzen und in Empfehlungen für etwaig notwendige Anpassungen überführt werden.
Projektbeschreibung
Wie lassen sich Mitarbeitende in der Prozesssteuerung durch KI-generierte Einstellvorschläge von Prozessgrößen unterstützen? Dieser Frage ist das Mittelstand-Digital Zentrum Hannover zusammen mit der Firma H&T Presspart GmbH & Co. KG nachgegangen. Die Herstellung von medizinischen Produkten ist mit strengen Qualitätsvorgaben verbunden. Daher sind die Mitarbeitenden in der Produktion speziell auf den Herstellungsprozess geschult und eingearbeitet, damit die hohen Ansprüche erreicht werden können. Ziel des Projekts war die Erstellung einer Künstlichen Intelligenz (KI), welche die Mitarbeitenden im Lackierprozess von Aerosoldosen unterstützt, die richtigen Entscheidungen zu treffen, um die Prozessparameter optimal einzustellen.
Für kleine und mittlere Unternehmen (KMU) bedeutet die Verwendung KI-gestützter Parametervorschläge in der Prozesssteuerung insbesondere eine schnellere Einarbeitung von Mitarbeitenden, Unabhängigkeit vom Erfahrungswissen einzelner Maschinenführenden und somit eine mögliche Antwort auf den Fachkräftemangel.
Die H&T Presspart GmbH & Co. KG ist Hersteller von Medikamentenverabreichungsgeräten und pharmazeutischen Komponenten. Die Bestandteile werden in-house hergestellt und vollautomatisiert montiert.
Ausführlicher Projektbericht
Die Firma H&T Presspart GmbH & Co. KG fertigt pharmazeutische Geräte und Komponenten zur Verabreichung von Medikamenten. Dabei ist die Produktion der Aerosoldosen bereits stark automatisiert, allerdings sind die Mitarbeitenden noch stark in die Überwachung und Einstellung der Prozessparameter eingebunden. Um die Mitarbeitenden zu entlasten, wurde nach einer Lösung gesucht, um optimale Prozessparameter frühzeitig bestimmen und wählen zu können.
Innerhalb des Projekts wurde eine KI trainiert, die einen Zusammenhang zwischen Prozessparametern und Qualitätsmerkmalen herstellt und bei der Parametereinstellung unterstützen kann. Den historischen Datensatz dazu lieferte H&T Presspart GmbH & Co. KG, welcher aus Prozessparametern der Lackierstraße sowie aufgenommener Qualitätsmerkmale der resultierenden Lackschicht besteht. Bei der KI handelt es sich um einen Regressor, der die Zielvariablen der Qualitätsmerkmale auf Basis der Variablen aus den Prozessparametern vorhersagt. Die Vorhersage der aktuell zu erwartenden Qualitätsmerkmale ermöglicht in Zukunft die Einstellung optimaler Prozessparameter.
Phase 1: Datenvorbereitung
Die erste Phase des Projekts beinhaltete die Sichtung und Verarbeitung der bereitgestellten Daten. Prozess- und Qualitätsdaten werden im Unternehmen auf unterschiedlichen Wegen aufgezeichnet und liegen daher in heterogener Form vor. Während die Prozessgrößen wie Temperatur und Druck in den unterschiedlichen Modulen der Lackierstraße beispielsweise im CSV-Format gespeichert werden, werden die händisch und stichprobenartig aufgenommenen Qualitätsdaten in XLSX-Dateien abgespeichert. Damit die Daten in geeinter Form vorliegen und für die weitere Verarbeitung geeignet sind, wurden Fehlstellen linear interpoliert, Redundanzen gelöscht, zusammengehörige Daten verknüpft und anschließend gemeinsam in einer Datenbank gespeichert.
Phase 2: Training eines KI-Modells
Das Ziel der zweiten Phase war das Training einer KI, um einen Zusammenhang zwischen Prozessvariablen und Qualitätsmerkmalen zu bilden. Als Prozessvariablen wurden neben den Bedingungen in den Modulen der Lackierstraße der Wochentag und die Wetterdaten für den Standort der Produktion berücksichtigt, da deren Einfluss auf den Prozess genauer untersucht werden sollte. Die Zielvariable des Regressors waren das Gewicht und die elektrische Leitfähigkeit der Lackschicht. Für beide Merkmale wurde jeweils ein neuronales Netz entwickelt, welches aus mehreren aufeinander aufbauenden Schichten besteht.
Phase 3: Vorschlagsgenerierung
In der dritten Phase wurde das eigentliche Ziel der Vorschlagsgenerierung verfolgt. Mithilfe eines künstlich erzeugten Rauschens in den Eingangsparametern wurde zunächst evaluiert, welche der Prozessvariablen einen starken Einfluss auf die Vorhersage der Qualitätsmerkmale besitzen. Hierbei wurde nacheinander jeweils ein Parameter mit einem unterschiedlich starken Rauschen belegt. Ändert sich der Vorhersagewert stärker als bei anderen Parametern, kann der veränderte Parameter als entscheidend betrachtet werden. Auf Basis dieser Zusammenhänge wurde abschließend ein Vorgehen implementiert, welches die entscheidenden Parameter eines neuen Parametersatzes im Falle unzureichender Qualitätsergebnisse iterativ optimiert, bis eine zufriedenstellende Qualität zu erwarten ist. Die gefundenen Parameter werden abschließend den Maschinenführenden vorgeschlagen, sodass frühzeitig in den Prozess eingegriffen werden kann.
Phase 4: Aufbereitung der KI als prototypische Umsetzung
Damit die KI in Zukunft weiterentwickelt werden kann, wurde sie als übersichtliches und leicht verständliches Jupyter-Notebook zusammengefasst. Jupyter-Notebooks haben den Vorteil, dass sie eine interaktive Plattform bieten, welche es erlaubt, enthaltene Modelle problemlos zu verändern und für eigene Vorhaben anzupassen. Nutzende werden durch einen Mix aus Programmcode und erklärenden Text interaktiv durch das prototypisch umgesetzte Modell geführt.
Nutzen für den Mittelstand
Der produzierende Mittelstand in Deutschland sieht sich mit Fachkräftemangel, Energiepreissteigerungen und weltweitem Wettbewerbsdruck konfrontiert. Eine Möglichkeit, diesem entgegenzutreten, könnte eine hochautomatisierte und ressourceneffiziente Produktion sein, die konstant höchste Qualität sicherstellt. Durch die Einbindung von KI in die moderne Produktion ist ein wichtiger Schritt in Richtung dieses Ziels gemacht. Der in diesem Projekt entwickelte Ansatz hat gezeigt, dass mithilfe einer KI auch verstecktes Wissen greifbar gemacht werden kann, um Produktionsprozesse zu optimieren und Maschinenbedienende zu entlasten.
Noch Fragen offen?
Unsere Projekte umfassen einen großen zeitlichen, organisatorischen und thematischen
Umfang. Erfragen Sie die Details einfach beim Projektverantwortlichen. Wir leiten Sie gerne weiter!
