Bedarfsprognose in der Produktionsplanung
Die gemeinsame Vision
Die Produktionsplanung ist in den meisten Unternehmen ein Schlüsselmechanismus, um eine effiziente Herstellung gemäß den Kunden- und Organisationsanforderungen sicherzustellen. In dieser Hinsicht sind verschiedene Herausforderungen zu bewältigen, wie hohe Herstellungskosten, dringende Prioritätsunklarheiten, erhebliche Verzögerungen bei den Lieferzeiten oder unflexible Planungspläne.
Im Allgemeinen hängen alle Probleme mit der Unsicherheit und Komplexität der Handlungen zusammen. Faktisch besteht die Schwierigkeit darin, mit der Unzuverlässigkeit interner Prozesse oder externer Lieferungen umzugehen. Das Unternehmen sollte Probleme mit Über- oder Unterbeständen vermeiden, einen hohen Kundenservice kontrollieren und unerwartete Umstände auf dem Markt je nach saisonaler Nachfrage überwinden.
Die Aufgabe besteht darin, zukünftige Entwicklungen in der Nachfrage nach hergestellten Produkten zu erkennen.
Lösung
In der Bedarfsprognoselösung besteht das Hauptziel darin, Vorhersageanalysealgorithmen anzuwenden, um die optimale Bestellmenge wöchentlich oder monatlich vorherzusagen und einen angemessenen Sicherheitsbestand bereitzustellen. Die verwendeten Informationen decken im Wesentlichen die Bestellhistorie des Kunden ab, die mit mehreren makroökonomischen Indikatoren angereichert ist.
Die Lösung basiert auf der innoSEP AI-Plattform, die von der Datenexploration über Predictive Analytics bis hin zur Modellbereitstellung und Ergebnisvisualisierung reicht. Der Domain-Experte kann die Spezifikationen jeder Produktgruppe beobachten, wichtige Erkenntnisse oder Muster der Kundennachfrage verfolgen und vor allem die genauen empfohlenen Vorhersagen befolgen, um bessere Entscheidungen abzuleiten.
Eine bedarfsgerechte Nachfrageprognose bietet einen erheblichen Mehrwert in Bezug auf Kundenzufriedenheit, pünktliche Lieferung und Bestandsgenauigkeit.
Vorhersage der Hardwareressourcen
Die gemeinsame Vision
Verschiedene Technologien und Software werden verwendet, um hergestellte Produkte in vielen Arten von Disziplinen (mechanische, elektrische oder Steuerungssysteme) zu entwerfen und zu testen. Ingenieure wenden diese numerischen Simulationen, insbesondere nichtlineare Analysen an, um Produkte mit hoher Qualität, optimalen Kosten und in begrenzter Zeit zu entwerfen.
In diesem Zusammenhang besteht die größte Herausforderung in der Komplexität der Berechnungen und dem hohen Ressourcenbedarf. Das entscheidende Problem ist daher die effiziente Verwaltung und Zuweisung von Simulationsaufträgen. Angesichts all dieser Einschränkungen besteht die Aufgabe darin, die Modelljobs zu klassifizieren und die entsprechende erforderliche Zeit in Abhängigkeit von den Modellkonfigurationen und Hardwarespezifikationen zu schätzen.
Lösung
Das Hauptziel der Lösung zur Vorhersage von Hardwareressourcen („AI-Mulation“) besteht darin, ein Gleichgewicht zwischen drei Hauptaspekten zu gewährleisten: Zeit, Qualität und Kosten. Die verwendeten Informationen enthalten den detaillierten Verlauf der Simulationsaufträge eines Softwareunternehmens.
Die Lösung wird dem Bediener in Form eines Leitfadens angeboten. Insbesondere kann der Ingenieur über ein Dashboard die dargestellten Korrelationen ansehen, die Liste der aktuellen Aufgaben verfolgen, sie mit den empfohlenen Strategien vergleichen und neue Vorgänge an die entsprechenden Instanzen verteilen.
Dieser Zuweisungsprozess basiert auf genauen Vorhersagen der Rechenlast in Abhängigkeit von den definierten Modellkonfigurationen und den erforderlichen Ressourceneigenschaften. Die Gesamtleistung wird durch eine verbesserte Auslastung der Hardwareressourcen, eine automatisierte Vorhersage und eine effiziente Zuordnung verbessert.
Virtuelle Produktbewertung
Die gemeinsame Vision
Die Automobilindustrie verwendet verschiedene fortschrittliche Modellierungstechniken, Hochleistungskomponenten-Engineering und Simulationstools. Die wichtigsten Herausforderungen bei der Entwicklung virtueller Produkte hängen mit der Unsicherheit der Haltbarkeit und dem Overengineering zusammen.
Es sollte eine optimale Analyse durchgeführt werden, um ein Produkt mit unnötiger Komplexität oder ineffizientem Design zu vermeiden. Außerdem ist es erforderlich, Komponenten mit langlebigen Materialien und geringen Wartungskosten sicherzustellen. Mit anderen Worten, um ein robustes Produkt auf allen Ebenen zu entwickeln, müssen verschiedene Szenarien verglichen werden.
Die Aufgabe besteht darin, die Korrelation zwischen verschiedenen Eigenschaften einer Komponente in mehreren simulierten Tests zu untersuchen und ihre Haltbarkeit abzuschätzen.
Lösung
Die virtuelle Produktbewertungslösung kann als Entscheidungsunterstützungssystem für komponentenverantwortliche Ingenieure beschrieben werden, um die Produktentwicklung mithilfe von KI und technischen Methoden zu verbessern. Das Wissen basiert im Allgemeinen auf Entwicklungsdaten (Simulation, Test usw.), wissensbasierten Systemen und Feldprozessdaten.
Daher lernt und profitiert das Modell von all diesen Informationen, um den Schaden vorherzusagen. Zu beachten ist, dass alle Schritte in einem Self-Service-Aspekt und ohne Code-Anforderung ausgeführt werden.
Auf diese Weise verwendet der Ingenieur auf einfache Weise die KI-Methoden und entscheidet anhand einer genauen Schadensvorhersage, welches Produkt entwickelt werden soll.
Infolgedessen reduziert die Lösung den Test- und Simulationsaufwand und hält sich an kürzere Time-to-Market-Zyklen (TTM).
Anomalieerkennung bei Qualitätsprüfungen
Die gemeinsame Vision
Während des Fertigungsprozesses wird am End-of-Line (EoL) die Gesamtfunktionalität des Produktes geprüft. Die Testsysteme werden eingerichtet, um eine hohe Rücklaufquote und einen hohen Zeitaufwand zu vermeiden. Sie simulieren verschiedene relevante Bedingungen, um die Qualität und Nachhaltigkeit der Anlagen zu verifizieren. Aufgrund des Unterschieds zu einer realen Umgebung ist dieser spezifizierte Mechanismus oft durch Unsicherheiten bei der Erkennung von Qualitäts- und Leistungsmängeln gekennzeichnet.
Trotz all dieser Unsicherheiten ist es das Ziel, die Rücklaufquote zu reduzieren und Probleme zu antizipieren. Die entscheidende Aufgabe besteht dann darin, Anomalien innerhalb des Qualitätsprüfungsprozesses selbstständig zu erkennen.
Lösung
Die Lösung zur Erkennung von Anomalien in der Qualitätsprüfung zielt im Wesentlichen darauf ab, die Rücklaufquote bei einem Anbieter von elektrischer Automatisierung zu reduzieren. Die verwendeten Daten sind die resultierenden Signale aus Prüfsimulationen unter verschiedenen Konfigurationen.
Durch die innoSEP AI-Plattform können regelmäßige statistische Verteilungsstudien reibungslos durchgeführt werden. Dies führt zum Verständnis der Zusammenhänge und zur Identifizierung der Ursachen für eine hohe Rücklaufquote. Außerdem kann der betreffende Domänenexperte die eingesetzten Clustering-Modelle nutzen, ohne dass er über Programmierkenntnisse verfügen muss.
Die Angaben zu erkannten Anomalien und Ausreißern dienen dazu, Qualitätsstandards zu definieren und die Lieferung minderwertiger Komponenten zu verhindern.
Maschinensteuerung bei Hochgeschwindigkeits-Reifentests
Die gemeinsame Vision
Das Reifenprüfverfahren ist unabdingbar, um die Normanforderungen zu erfüllen und deren Einfluss auf das Fahrverhalten zu ermitteln. In den Reifenherstellungs- und Reifenprüflabors werden Dauer-/Hochgeschwindigkeitsprüfmaschinen eingesetzt, um diesen Prozess durchzuführen. Hier werden mehrere Protokolle angewandt, um festzustellen, wie der Reifen reagiert und die Leistung unter verschiedenen Bedingungen zu überprüfen. Die entscheidende Herausforderung besteht darin, die Hochgeschwindigkeits-Testmaschinen rechtzeitig und vor einer Beschädigung oder gar einer wahrscheinlichen Reifenexplosion zu stoppen.
Die Aufgabe besteht darin, ein System zu bauen, das in der Lage ist, die Maschine effizient zu steuern, während die Tests der verschiedenen Reifentypen laufen.
Lösung
Das KI-gestützte System für die Maschinensteuerung bei Hochgeschwindigkeits-Reifentests bietet die komplette KI-Pipeline: vom Sensordatenfluss zu vorverarbeiteten Daten, von extrahierten Merkmalen zu trainierten KI-Modellen und vom vorhergesagten Ergebnis zur laufenden Entscheidungshilfe-App.
Die verwendeten Daten kombinieren Sensorsignale und Testparameter. Eine Reihe von spezifischen Merkmalen wird abgeleitet, um eine aussagekräftige Darstellung wiederherzustellen und eine bessere menschliche Interpretation zu ermöglichen. Abhängig vom Reifentyp und den Testkonfigurationen (Geschwindigkeit, Leistung, etc.) wird der wahrscheinliche Schaden in Echtzeit während des Lauftests vorhergesagt.
Das System gibt dem Experten einen allgemeinen Überblick über den Laufmechanismus und leitet ihn an, Maßnahmen zu ergreifen, um die Maschine entweder laufen zu lassen oder anzuhalten. Das Ergebnis verhindert die wahrscheinliche Zerstörung, reduziert das Risiko eines Bruchs und beschleunigt den Prozess.
Analyse des Browserverhaltens
Die gemeinsame Vision
Online-Immobilienmarktplatz-Unternehmen bieten und veröffentlichen Wohnimmobilien zum Verkauf oder zur Miete. Im Allgemeinen sind Käufer an Internet-Immobilien aufgrund ihrer Zugänglichkeit und ihres Angebots interessiert und angezogen.
Die entscheidende Herausforderung bei diesem Konzept ist, wie man von der großen Besucherzahl profitieren und eine strukturierte Kommunikationskarte aufbauen kann. Um den Remarketing-Prozess zu optimieren und effiziente Werbung zu machen, muss das Browserverhalten analysiert werden. Es werden also alle Zustandsinformationen gespeichert, während ein Nutzer auf der Immobilien-Website surft. Dann geht es darum, die Interessen der Kunden zu untersuchen, ihre Aktivitäten zu verstehen und sie anhand gemeinsamer Merkmale in Gruppen zu segmentieren.
Lösung
Die Lösung zur Analyse des Browserverhaltens wurde eingerichtet, um das Marketing und den Vertrieb effizienter zu gestalten. Die untersuchten Daten beziehen sich auf Cookie- und Sitzungsinformationen, die über verschiedene Browser gesammelt werden.
Aus diesen Website-Nutzeraktivitäten werden verwertbare Merkmale gebildet und mit Expertenwissen kombiniert, um Käuferinteressen zu ermitteln. Dazu werden mehrere Modelle trainiert und verwendet, um Kundengruppen zu definieren und herauszufinden, woran diese stark interessiert sind. Außerdem zeigt ein modulares Dashboard alle relevanten Muster, Anleitungen und die Liste der Benutzergruppen an. Infolgedessen kann der Vertriebs- und Marketingleiter bessere Maßnahmen ergreifen, Prioritäten setzen, die entsprechenden Kunden kontaktieren und präzise Angebote vorschlagen.
Prädiktive Qualität in der Produktion
Die gemeinsame Vision
Einer der wichtigsten Fertigungsmechanismen ist die Prozessfähigkeit und -qualität. Eine Kombination von Tools und statistischen Methoden wird verwendet, um einen effizienten Prozess zu gewährleisten. Ingenieure überwachen die Variabilität und vergleichen den Output eines kontrollierten Prozesses mit Spezifikationsgrenzen, die auf Fähigkeitsindizes wie dem Prozessfähigkeitsindex (capability index - Cpk) basieren.
In der Regel ist eine Gesamtbetrachtung erforderlich, bei der mehrere Überwachungsgrafiken und Diagramme synchronisiert und leicht verständlich sind. Die entscheidende Schwierigkeit ergibt sich, wenn die Datenquellen unterschiedlich oder nicht miteinander verbunden sind. Die Aufgabe besteht also darin, einen visuell-zentrierten Workflow zu konstruieren, der zu einer Leistungssteigerung und einer stabilen Produktion führt
Lösung
Die Lösung Simultaneous CPk Monitoring in Produktion und Fertigung zielt darauf ab, die Prozessqualität und -stabilität zu erhöhen. Die vorgeschlagene Technologie kann als eine End-to-End-Pipeline beschrieben werden: vom Datenfluss bis zur Datensynchronisation verschiedener, nicht miteinander verbundener Quellen, von der Extraktion von Fähigkeitsindizes bis zur statistischen Beschreibung und von der Korrelationsbewertung bis zur laufenden App zur Entscheidungsunterstützung.
Der verantwortliche Ingenieur kann die Korrelation zwischen Prozessanomalien und der Qualität von Komponenten auf der Basis von Eingangs-, Prozess- und Ausgangsindikatoren erkennen, charakterisieren und darstellen. Folglich wird er angeleitet, Prozessparameter zu modifizieren, um Prozessstillstände zu vermeiden und Qualitätsdefizite zu reduzieren.
Predictive Maintenance
Die gemeinsame Vision
Heutzutage nehmen Konnektivität, Datengenerierung und fortschrittliche Datensätze in der industriellen Fertigung zu. Der entscheidende Schlüssel ist, wie man die volle Datenleistung ausschöpfen kann. Vor allem, weil diese Produktionszyklen nicht sehr effizient sind, gehören ungeplante Ausfallzeiten, unerwartete Ausfälle und eine alternde Infrastruktur zu den größten Herausforderungen.
Predictive Maintenance greift in den Umgang mit der verminderten Leistung ein und vermeidet enorme Supportkosten. Dementsprechend sind diese Techniken darauf ausgelegt, den Zustand von in Betrieb befindlichen Anlagen zu bestimmen, insbesondere um abzuschätzen, wann eine Wartung durchgeführt werden sollte. Die Aufgabe besteht darin, den Ausfall über KI-Modelle zu antizipieren, das End-of-Life-Produkt vorherzusagen und zuverlässige Maßnahmen zu empfehlen, um die Geschäftskosten zu senken.
Lösung
Bei der Predictive Maintenance besteht das Hauptziel für eine verbesserte betriebliche Effizienz darin, die optimale Restnutzungsdauer (Remaining Useful Life-RUL) abzuschätzen. Diese ist definiert als die Zeitspanne, in der eine Maschine wahrscheinlich noch betrieben werden kann, bevor sie repariert oder ausgetauscht werden muss. Die verfügbaren Informationen umfassen langfristige historische Daten von ähnlichen Maschinen wie der zu untersuchenden und transiente Sensordaten.
Das resultierende System basiert auf einer physikalischen Multi-Domain-Modellierung und einer Analyse der Schadensmerkmale. Entsprechend kann der Betreiber die gewonnenen Erkenntnisse über die Schadensmerkmale und das Systemverhalten überwachen - ebenso wie die kontinuierliche Abschätzung der Restnutzungsdauer (RUL) der im Betrieb befindlichen Komponenten. Das Ergebnis hat schließlich einen erheblichen Nutzen in Bezug auf die Gesamtverfügbarkeit, die durch die Wartungsempfehlung nachgewiesen wird.
Überwachung des Gesundheitszustands
Smart Pig Health - Nutzung von digitalisierten Sensoren und Prognosemodellen zur frühzeitigen Vorhersage von Krankheiten bei Schweinen und transparente Informationen für alle Beteiligten.
Die Gesundheit von Schweinen und das Wohlergehen der Tiere sind untrennbar mit dem Einsatz von Antibiotika. Ebenso ist die Gesundheit der Tiere von wachsender Bedeutung für die Gesellschaft und Landwirte. Daher verfolgt dieses Flaggschiff-Innovationsexperiment (FIE) einen ganzheitlichen Ansatz zur Verbesserung der Schweinegesundheit bei gleichzeitiger Reduzierung der antimikrobiellen Resistenz (AMR). Um dieses Ziel zu erreichen, werden alle relevanten Stakeholder der Schweineproduktion einbezogen, um den Verbrauchern transparente Informationen zur Verfügung zu stellen. Die Digitalisierung von Vorhersagemodellen und die Implementierung von Sensoren ermöglicht eine kontinuierliche Gesundheitsbeurteilung durch Datenanalyse mit selbst entwickelten Algorithmen auf Basis von maschinellem Lernen und künstlicher Intelligenz (KI). Darüber hinaus werden dadurch Krankheiten und abnormale Zustände frühzeitig vorhergesagt, sodass der Landwirt die notwendigen Gegenmaßnahmen ergreifen kann, um seine Schweine gesund zu halten.
Forschungsergebnisse zeigen, dass Kriterien wie Luftfeuchtigkeit, Temperatur, Lärm, Wasser- und Futterverbrauch das Wohlbefinden der Tiere erheblich beeinflussen. Momentan werden diese biologischen und ökonomischen Parameter jedoch nicht kontinuierlich erfasst oder berücksichtigt. Folglich befasst sich dieses FIE mit dieser strategischen Herausforderung für Landwirte und Tierärzte und behandelt gleichzeitig das gesellschaftliche Anliegen des Antibiotikaeinsatzes und der Schweinegesundheit durch ein nachhaltiges Ökosystem.
