Ein Maschinenbediener liest am iPad den Fehlerreport des selbstlernenden Assistenzsystems SAM aus. (Bild: Fraunhofer IVV)
Damit lange Stillstandszeiten und hohe Ausschussmengen verhindert werden, müssen Produktionsprozesse stabil und effizient gestaltet werden. In vielen Fällen hängt jedoch die Effizienz von Verarbeitungsmaschinen in hohem Maße von den Erfahrungen der jeweiligen Maschinenbediener ab.
Der klassische Austausch von Wissen über (digitale) Dokumentationen ist im realen Produktionsalltag wegen der zeitaufwändigen Suche nach hilfreichen Einträgen im Fall einer Störung kaum praktikabel.
Teufelskreis aus Automatisierung und fehlendem Wissen der Bediener
In hochautomatisierten Anlagen werden die technisch-theoretisch möglichen Wirkungsgrade von über 98 Prozent in der realen Produktion praktisch nie erreicht; der Durchschnittswert liegt selten über 70 Prozent. Eine der Hauptursachen hierfür ist das fehlende Erfahrungs- und Prozesswissen der Maschinenbediener.
Ungeplante Störungen werden häufig nur oberflächlich und nicht in der wahren Ursache behoben. Die resultierenden, sich ständig wiederholenden ungeplanten Störungen führen zu Verlusten in der Produktion, Verschwendung von Ressourcen und Frustration bei den Bedienern.
Dieser Problemstellung wird in der Regel mit höherer Automatisierung begegnet, um den Menschen als potenzielle, ungebildete Fehlerquelle auszuschalten. Dabei nimmt jedoch gleichzeitig das Verständnis des Bedieners für Prozess und Maschine weiter ab. Da manuelle Eingriffe immer notwendig sein werden, bleibt das Problem geringer Produktionseffizienz auch mit hoher Automatisierung weiterhin bestehen und wird sogar eher noch verstärkt.
So funkitoniert das digitale Assistenzsystem SAM. (Grafik: Fraunhofer IVV Dresden)
Selbstlernendes Assistenzsystem: Maschine lernt von menschlicher Erfahrung
Zur Lösung dieses Problems entwickelte das Team um Andre Schult, Mitarbeiter der Arbeitsgruppe Digitalisierung und Assistenzsysteme im Fraunhofer IVV, das selbstlernende Bediener-Assistenzsystem SAM. Diese Software vereint das maschinelle Lernen (ML) mit der menschlichen Erfahrung, um Produktionsstörungen zu reduzieren.
SAM gibt menschlicher Erfahrung in der Produktionskette wieder eine Bedeutung, sorgt für permanente Weiterbildung nach dem Training-on-the-Job-Prinzip und steigert damit die Motivation, das Engagement und die Identifikation der Mitarbeiter mit dem Unternehmen. Durch Algorithmen lernt der ‚virtuelle Kollege‘ selbstständig Ereignisse aus Prozessdaten der Maschine. Die erkannten Zustandsklassen werden mit Einträgen von Bedienern in einer Datenbank verknüpft.
Reines Unterstützersystem ohne Entscheidungsbefugnis
SAM ist auf einem autarken PC über eine universelle Schnittstellenkarte mit dem Feldbus der Maschine verbunden, liest als ‚Slave‘ die Steuerung (SPS) der Maschine und erhält hochaufgelöste, unverarbeitete und verarbeitete SPS-Daten, beispielsweise Sensorschaltzeiten.
Das Programm kann grundsätzlich nicht aktiv in den Prozess eingreifen, sondern unterbreitet als reines Unterstützungssystem Vorschläge; die Entscheidungshoheit bleibt beim Nutzer.
SAM soll Motivation der Mitarbeiter erhöhen
Bei Standard-Wissensspeichern für Maschinenbediener ist im Fehlerfall die manuelle Suche nach hilfreichen Einträgen problematisch und aufwändig. Unterschiedliche Bezeichnungen, Rechtschreibfehler oder Zeitdruck erschweren auch in digitalen Archiven mit Volltextsuche eine zielgerichtete, effiziente Recherche.
Daher ist die Motivation zur Pflege sowie Erweiterung der Speicher begrenzt und die Gesamtakzeptanz der Mitarbeiter eher niedrig. Deshalb wurden Arbeitspsychologen sowie UX/UI-Experten von Beginn an in die Entwicklungsarbeit mit einbezogen. Dadurch steigert sich das Engagement der Mitarbeiter und deren Motivation, eigene Ideen und Lösungen beizutragen.
SAM trägt so zur effizienteren Gestaltung von kurzfristigen Prozessen ebenso bei wie zur Behebung der langfristigen Herausforderungen wie Mitarbeiterfluktuation, Fachkräftemangel oder dem demographischen Wandel.
Vorfälle präziser wahrnehmen
Durch Analyse der maschineninternen Sensordaten, beispielsweise Schaltsignale von Lichtschranken, werden Vorfälle deutlich präziser wahrgenommen, als dies bisher durch fest programmierte Fehlerabfragen möglich war. Der Anwender erhält eine gegenüber einer Standard-Fehlermeldung deutlich präzisere, ML-basierte Lösung, die bei einer Störung bequem über ein Tablet den schnellen Zugriff auf potenziell geeignete Einträge ermöglicht.
SAM lernt Störzustände wiederzuerkennen und präsentiert automatisch geeignete Einträge aus der Erfahrungsdatenbank. Die Algorithmen sind in der Lage, Störungszustände deutlich feingliedriger zu unterscheiden, als es aktuell beispielsweise über die Fehlercodes der Maschine möglich ist. Damit werden die einzigartigen Analysefähigkeiten des Menschen nachgeahmt.
Das Entwicklungsteam plant für dieses Jahr eine Unternehmensausgründung; als Probanden besteht Kontakt zu Firmen, die zum Teil bereits Pilotprojekte in Betriebe nehmen, um SAM reibungslos vom Labor in die reale Praxis überführen zu können.
