Automatisierte Prüfplanauswahl in der Leuchten-Produktion – Ein KompAKI Use Case
Um im globalen Markt der Fertigungsindustrien auch künftig eine zentrale Rolle spielen zu können, bedarf es unter anderem einer gesteigerten Produktionseffizienz, sowie hohen qualitativen Standards [1]. Eine mögliche Transformation des Arbeitsablaufs sollte aber nicht zu Lasten der Bediensteten und deren Gesundheit umgesetzt werden [2].
Wissenschaftliche Mitarbeitende der Technischen Universität Darmstadt und der Hochschule Darmstadt führten daher Analysen und Workshops mit Unternehmenspartnern durch, um Probleme in diesen Bereichen zu erkennen. Mit dem Partner TRILUX GmbH & Co. KG wurden mittels einer virtuellen Führung und einer ebenfalls virtuell durchgeführten Wertstromanalyse Engpässe bei der Montage und insbesondere im Prüfprozess von Leuchten festgestellt.
Bei einem Großteil der vorhandenen Fertigungsplätze müssen die Montagemitarbeitenden vor Beginn der Prüfphase zunächst den richtigen Prüfplan für die zu prüfende Leuchte manuell auswählen. Dafür wird den Mitarbeitenden in aufwändigen Schulungen das entsprechende Wissen vermittelt, welches diese auf eine Vielzahl unterschiedlicher Leuchten anwenden müssen. Da es zu Fehleinschätzungen kommen kann, werden bei dem Start von neuen Fertigungsaufträgen immer die Gruppenleitenden hinzugezogen. Des Weiteren führt die Qualitätssicherung regelmäßige Stichprobenprüfungen während der Produktion durch. Während des Denkprozesses zur Auswahl des richtigen Prüfplans geht ebenfalls wertvolle Zeit für die Fertigung und Prüfung verloren, worunter die Produktionseffizienz leidet. Zusätzlich entsteht dadurch Stress und Druck bei den Mitarbeitenden.
In einem Design Thinking Workshop wurde das Problem tiefergehend erfasst und ein mögliches Konzept für eine KI-gestützte Prüfplanauswahl erstellt, welches vereinfacht in Abbildung 1 zu sehen ist.
Abbildung 1: Konzept eines KI-gestützten Algorithmus zur Prüfplanauswahl der Firma TRILUX
Dieses Konzept sieht vor, dass direkt zum Eingang eines neuen Auftrags die entsprechenden Auftragsdaten an einen Algorithmus gegeben werden. Dieser, auf KI-basierende Algorithmus, nutzt sein antrainiertes Wissen dafür, um aus den Auftragsdaten einen passenden Prüfplan aus der Prüfplansammlung zu finden. Da keine 100%ige Garantie für die richtige Auswahl besteht, muss das Ergebnis anschließend einmalig noch von qualifiziertem Personal aus der Qualitätssicherung überprüft und freigegeben werden. Sollte jedoch kein passender Prüfplan durch den Algorithmus gefunden werden, muss die Qualitätssicherung entweder den richtigen Prüfplan manuell zuweisen oder einen neuen Prüfplan für die Leuchte erstellen. Dadurch wird der Auswahlprozess vor den eigentlichen Fertigungsprozess verlagert.
Beim Einscannen der Leuchtennummer während des Montageprozesses soll über einen Zugriff auf eine zentrale Datenbank der hinterlegte Prüfplan automatisch aufgerufen werden. Dadurch wird der Stress auf die Prüfenden reduziert werden, da diese den Prüfplan nicht mehr manuell und nach bestem Wissen und Gewissen auswählen müssen. Intensive Schulungen für künftiges Personal zur Auswahl der Prüfpläne wären damit ebenfalls obsolet. Die intensiven Schulungsbedarfe durch die Qualitätssicherung können durch die Einführung der automatischen Prüfplanauswahl auf die Bedienung der Prüfhardware reduziert werden. Letztlich kann durch die Zeitersparnis die Produktionseffizienz gesteigert werden.
Im Rahmen von KompAKI wird dieser Use Case nun zusammen mit dem Unternehmen prototypisch umgesetzt. Im nächsten Schritt sollen die Anforderungen an den Use Case spezifiziert werden, welche das Unternehmen TRILUX kurz- sowie langfristig an die Anwendung hat. Mit einer umfangreichen Datenanalyse soll der Status Quo der vorhandenen Daten analysiert und relevante Merkmale zur Bestimmung eines Prüfplans für eine spezifische Leuchte ermittelt werden. Anschließend werden die Erkenntnisse gebündelt und prototypisch in einer KI-Anwendung umgesetzt.
[1]: Kliment, M., et al. „Production efficiency evaluation and products’ quality improvement using simulation.“ Int. J. Simul. Model 19 (2020): 470-481.
[2]: Swaminathan, P. S., and S. Rajkumar. „Study on Stress Levels in Organizations and Their Impact on Employees‘ Behaviour.“ Management and Labour Studies 35.1 (2010): 59-71.
