Künstliche Intelligenz, Advanced Analytics, Cloud Computing und neue Storage-Technologien helfen Unternehmen bei der Problemlösung, Entscheidungsfindung und Skalierung. Erfahren Sie hier, wie Sie mit moderner, effizienter IT-Infrastruktur im Zeitalter der Daten erfolgreich sein können.

Industrie 4.0

Intel Industrial Edge Insights: Verbesserung der Produktqualität bei Audi

09.11.2020
Beim Edge Computing werden Daten am Ort ihrer Entstehung – der Edge - analysiert und verarbeitet. Das erspart lange Datenwege und reduziert Sicherheitsrisiken. Intel hat in enger Zusammenarbeit mit Audi-Ingenieuren eine Edge-Lösung entwickelt, die die Qualitätssicherung des Autoherstellers radikal verbessern konnte.

Die aktuelle Situation sorgt für eine Weiterentwicklung und Beschleunigung der Digitalisierung in deutschen Unternehmen. Arbeiten und Agieren über das Internet wird schlagartig unverzichtbar für die Fortführung der Geschäftstätigkeiten. Die Industrie ist hier nicht ausgenommen – im Gegenteil. Für das produzierende Gewerbe bedeutet die aktuelle Entwicklung ein Forcieren der „Smart Factory“ und des Industrie-4.0-Gedankens. Laut einer aktuellen Bitkom-Umfrage sehen 94 Prozent der deutschen Unternehmen Industrie 4.0 als Grundvoraussetzung für Wettbewerbsfähigkeit und 73 Prozent glauben, dass durch Industrie 4.0 ihr Geschäftsmodell beeinflusst wird.

Audi stellt die Qualität der Schweißnähte mithilfe von Edge Computing sicher und konnte dabei die Personalkosten um 30 – 50 Prozent reduzieren.
Audi stellt die Qualität der Schweißnähte mithilfe von Edge Computing sicher und konnte dabei die Personalkosten um 30 – 50 Prozent reduzieren.
Foto: Jenson - shutterstock.com

Dabei stehen die Unternehmen vor einem großen Dilemma. Für Industrie 4.0 müssten eigentlich neue Fabriken basierend auf aktuellen Standards und Technologien gebaut werden. Die Realität ist, dass in den meisten Fällen keine vollständig neue Fabriken errichtet werden können. Vielmehr werden in der Regel bestehende (und zum Teil recht alte) Fabriken „nachgerüstet“ und durch die Integration vieler unterschiedlicher und heterogener Systeme und Daten Schritt für Schritt digitalisiert. Hinzu kommt, dass Maschinen unterschiedlichster Typen und Generationen – zum Teil aus der prä-digitalen Ära – weltweit miteinander kommunizieren müssen. Mitunter noch „grüne Schätzchen“ aus der mechanischen Zeit, die nachgerüstet mit modernsten CNC-Maschinen in Einklang gebracht werden sollen. Immer mit dem Ziel, Prozesse über die gesamte Supply Chain hinweg zu automatisieren und effizient zu gestalten.

Wie können Unternehmen ihre Produktion modernisieren? Das grundsätzliche Ziel von Industrie 4.0 ist eine durchgängige Digitalisierung von Abläufen für ein übergreifendes Workflow-Management zu schaffen. Die Daten sollten dabei im Optimalfall von einer Instanz zur nächsten reibungslos übergeben werden – wie in einer perfekt harmonierenden Staffel. Durch einen solchen End-to-End-Ansatz sind Verbesserungen in Predictive Maintenance, Produktivität, Qualität und der Skalierbarkeit möglich, die bis dato nicht denkbar waren.

Audi optimiert die Qualitätssicherung

Wie Fertigungsunternehmen ein Industrie-4.0-Projekt umsetzen können, zeigt beispielhaft der Automobilhersteller Audi. Das Unternehmen hat sich zum Ziel gesetzt, eine moderne Produktionsumgebung aufzubauen, die mit Hilfe von Industrie-4.0-Konzepten umgesetzt wird. Eine zentrale Rolle spielt dabei die Optimierung von Qualitätssicherungsprozessen und die Senkung von Komplexität und Kosten in der Fertigung.

Audi montiert im Werk Neckarsulm täglich bis zu etwa 1.000 Fahrzeuge, wobei jedes Auto 5.000 Schweißnähte aufweist. Das sind an einem einzigen Produktionstag mehr als 5 Millionen Schweißnähte. Um die Qualität der Schweißnähte zu gewährleisten, führt das Werk manuelle Qualitätskontrollen durch. Weil die Kontrollen aufgrund der hohen Anzahl nur in Form von Stichproben erfolgen können, ist die Wahrscheinlichkeit hoch, dass fehlerhafte Nähte nur spät entdeckt und zeitaufwändig nachgearbeitet werden müssen.

Audi suchte deshalb nach einer automatisierten Lösung, um alle Schweißnähte überprüfen zu können. "Unser großes Ziel für diese Lösung ist es, 100 Prozent unserer Schweißnähte mit einem sehr hohen Maß an Genauigkeit prüfen zu können", sagt Mathias Mayer, der bei Audi die Planung der Automatisierungstechnik leitet. "Im Moment haben wir diese Sicherheit nicht.“

Um die Herausforderung zu meistern, hat Audi die Fertigungsprozesse von Intel analysieren lassen. Das Intel-Team nahm die Daten direkt von den Schweißpistolensteuerungen und analysierte sie vor Ort mit der Intel Industrial Edge InsightsSoftware – einer Lösung, die die Datenverarbeitung vor Ort unterstützt (siehe unten).

Die Audi-Lösung nimmt Daten von den Schweißpistolensteuerungen auf und analysiert sie an der Edge. Ein Machine-Learning-Algorithmus wurde trainiert, um fehlerhafte Schweißnähte zu erkennen.
Die Audi-Lösung nimmt Daten von den Schweißpistolensteuerungen auf und analysiert sie an der Edge. Ein Machine-Learning-Algorithmus wurde trainiert, um fehlerhafte Schweißnähte zu erkennen.
Foto: Intel

Die Datenwissenschaftler entwickelten einen Machine-Learning-Algorithmus und trainierten ihn darauf, die Abweichungen der vom Algorithmus generierten Vorhersagen zu den tatsächlichen Inspektionsdaten kontinuierlich zu verringern. „Intel hat uns gezeigt, wie man die Daten versteht, wie man die Algorithmen anwendet, um Daten an der Edge zu analysieren, und wie wir in Zukunft mit Daten arbeiten können, um unsere Abläufe in der Fabrik zu verbessern“, erklärt Mathias Mayer.

Blaupause für künftige Lösungen

Der Anwendungsfall Schweißen ist erst der Anfang bei Audi. Geplant ist eine skalierbare, flexible Plattformlösung, die Audi nicht nur zur Verbesserung der Qualitätskontrolle beim Punktschweißen einsetzen kann, sondern auch als Grundlage für andere Anwendungsfälle mit Robotern und Steuerungen zum Nieten, Kleben und Lackieren.

"Diese Lösung ist wie eine Blaupause für zukünftige Lösungen“, sagt Henning Löser, Senior Manager des Audi-Produktionslabors. „Wir haben viele Technologien in der Fabrik, und dieses Projekt ist ein Modell, mit dem wir Lösungen zur Qualitätsprüfung für andere Technologien entwickeln können, sodass wir nicht mehr auf manuelle Prüfungen angewiesen sind.“

Auf Grundlage der Intel-Lösung konnten die Arbeitskosten im Werk Neckarsulm bereits um 30 bis 50 Prozent reduziert werden. Audi betont angesichts dieser Zahlen, dass nicht ein Personalabbau im Mittelpunkt dieser Anstrengungen steht, sondern die Weiterentwicklung der Belegschaft für höherwertige Aufgaben sowie die Vorbeugung vor Personal- und Know-how-Lücken, da ein großer Teil der Belegschaft in den nächsten Jahren in Rente gehen wird.

Ein weiterer Hauptvorteil des neuen Systems und der damit möglichen präzisen Inspektionen besteht darin, dass Audi sich proaktiv auf die Vermeidung von Problemen konzentrieren kann, anstatt nur auf diese zu reagieren. "Nehmen wir an, wir führen eine Gesamtinspektion von 5.000 oder mehr Schweißnähten an einem Auto pro Tag durch, und vielleicht sind 95 Prozent dieser Schweißnähte gut und 5 Prozent nicht", sagt Mathias Mayer. "In Zukunft können wir uns auf die 5 Prozent konzentrieren, weil wir wissen, wo genau sie vorrkommen, und wir können viel früher Maßnahmen ergreifen", erklärt Mathias Mayer.

Intel Industrial Edge Insights und Intel OpenVINO™ Toolkit

Der zentrale Baustein bei Audis Industrie-4.0-Projekt ist die Intel Edge Insights Software (EIS). Die Middleware ermöglicht die Aufnahme, Verarbeitung und Speicherung der Daten direkt vor Ort. Sie integriert alle Daten von Sensornetzwerken, Betriebsquellen, externen Anbietern und industriellen Systemen. Darüber hinaus ermöglicht sie die sichere Kommunikation von Daten über Protokolle und Betriebssysteme hinweg sowie deren kohärente Verwaltung und zügige Analyse.

Dass Maschinen über verschiedene Protokolle und Betriebssysteme hinweg mit Edge Insights kommunizieren können, erleichtert den Prozess der Datenaufnahme, Analyse, Speicherung und Verwaltung. Dies hilft Industrieunternehmen auch dabei, leistungsstarke Analyse- und maschinelle Lernmodelle einfach zu erstellen und verwertbare Einsichten direkt an der Edge zu generieren.

Ergänzt wird EIS durch das OpenVINO™ Toolkit. Das kostenlose Werkzeug optimiert Video-Inferenz-Algorithmen und unterstützt Entwickler und Datenwissenschaftler bei der schnellen Generierung von leistungsfähigen Anwendungen für maschinelles Sehen mit Deep Learning. Das Toolkit unterstützt das gesamte Spektrum von Bilderkennungslösungen. Es beschleunigt Computer-Vision-Anwendungen, optimiert den Deep-Learning-Einsatz und ermöglicht die unkomplizierte heterogene Anwendung auf Intel-Plattformen, vom Netzwerkrand bis in die Cloud.

EIS und OpenVINO™ Toolkit sind aufeinander abgestimmt. Ohne EIS müsste ein Kunde oder Partner von Intel erst eine Middleware-Anwendung entwickeln, um den für OpenVINO™ Toolkit optimierten Algorithmus des Toolkits auszuführen. Die Kombination stellt sicher, dass der Video/Bild-Algorithmus auf den verschiedenen Intel CPUs optimiert ausgeführt wird.