Produktoptimierung & Produktionsoptimierung

Produktoptimierung bzw. Produktionsoptimierung bezeichnet den Prozess, ein zu erzeugendes Produkt zu verbessern. Zum Beispiel können einzelne Bauteile eines Produkts ersetzt werden, welche kostengünstiger oder qualitativ hochwertiger sind. Somit hat die Produktoptimierung das Ziel, eine Kostenreduktion während der Produktion zu erreichen oder die Qualität des Produktes zu steigern. Auch Anpassungen von Produkten mit dem Ziel, den Produktabsatz zu erhöhen, gehören zur Produktoptimierung.

Mittels KI-basierter Datenanalyse können Produktverbesserungen automatisiert ermittelt werden. Beispiele sind die Optimierung der Zusammensetzung von chemischen Produkten, die Optimierung von erzeugten Produkten basierend auf der Analyse des regionalen Kaufverhaltens sowie die automatische Fehlererkennung am Endprodukt. Durch eine umfassende Datenanalyse anhand eines Wissensgraphen kann die Produktion wie auch die Warenverteilung mit dem Ziel der Umsatzsteigerung optimiert werden.

Beispiele

Problemstellung

In unserem Fall beschäftigen wir uns mit der Verbesserung der Produktqualität eines Zahnradpaares. Dabei wird eine Kamera jeweils in der Mitte der Zahnräder befestigt und eine 360° Aufnahme produziert. Der verwendete Datensatz beinhaltet drei unterschiedliche Fehlerarten, welche erkannt werden sollten, um ein optimales Produkt zu gewährleisten. Die zu erkennenden Fehler sind: fehlende Klebestellen, fehlende Segmente und verschobene Segmente.

Zielsetzung / Herangehensweise / Lösung

Anhand zweier Deep Learning Methoden liefert unser Prototyp akkurate Entscheidungen bezüglich der Fehler wie auch deren Lokalisation. Bei fehlenden Segmenten wie auch Klebestellen, welche eindeutig gekennzeichnet werden können, wurde ein Segmentierungsnetzwerk trainiert, wohingegen bei verschobenen Segmenten ein Objekterkennungsnetzwerk zum Einsatz kommt. Der Grund für die Implementierung zweier Netzwerkstrukturen liegt darin, dass das Kennzeichnen von verschobenen Segmenten nicht eindeutig lösbar ist.

Nutzen

Anhand der automatischen Erkennung fehlerhafter Zahnräder kann die Produktqualität substantiell erhöht werden. Schwierige Fehlerquellen wie verschobene Segmente können durch ein Neuronales Netzwerk innerhalb weniger Millisekunden erkannt werden, wobei Operatoren viel mehr Zeit benötigen würden. Zusätzlich kann der Algorithmus ohne Unterbrechung arbeiten und überprüft jedes einzelne Zahnrad, wohingegen Operatoren oft nur stichprobenartig die Qualität überprüfen können. Weiters gibt die Lokalisierung der Fehler dem Operator Aufschluss darüber, wo sich potentielle schadhafte Stellen befinden. Dies lenkt die Aufmerksamkeit des Operators auf die vorhergesagten Stellen und unterstützt die Entscheidungsfindung des Operators.

 

kontakt

Dr. Volkmar Wieser

Das Projekt AB292 wird im Rahmen von Interreg Österreich-Bayern 2014-2020 gefördert.