Nach Angaben der National Association of Manufacturers werden für jeden Dollar, der in der verarbeitenden Industrie ausgegeben wird, ca. 3 Dollar in der Wirtschaft umgesetzt. Der wirtschaftliche Einfluss des verarbeitenden Gewerbes verdeutlicht die Notwendigkeit einer kontinuierlichen Optimierung der industriellen Prozesse, um Wachstum zu erzielen, und die Industrie hat sich dieser Herausforderung gestellt.
Statistiken zeigen, dass die Fertigungsindustrie zu den größten Anwendern von Lösungen für die digitale Transformation gehört, um das Wachstum zu fördern. Die Einführung von Werkzeugen für die digitale Transformation, wie z. B. die diskrete Ereignissimulation, hat eine wichtige Rolle bei der Verbesserung der Produktionsergebnisse durch genaue Datenanalyse, risikobasierte Terminierung und Planung gespielt. Industrie 4.0 verspricht jedoch noch mehr in Bezug auf die Automatisierung der Entscheidungsfindung und die Verringerung der Arbeitsbelastung von Technikern und Analysten in der gesamten Branche – hier spielen künstliche neuronale Netze eine entscheidende Rolle.
Verbesserung der Leistung von Maschinensystemen
Das Verständnis der Maschinennutzungsprozesse ist zur Grundlage für die Entwicklung vorausschauender Wartungsstrategien und die Definition der Maschinenleistung geworden. Mit diesem Wissen können Hersteller Systeme zur Optimierung der zukünftigen Maschinenleistung entwickeln, um den Durchsatz zu erhöhen und Ausfallzeiten zu vermeiden.
ANN können die Möglichkeiten von Simulationsmodellen zur Vorhersage der mechanischen Eigenschaften der in der Werkstatt verwendeten Ausrüstung erweitern. Ein Beispiel ist die Vorhersage der mechanischen Eigenschaften eines Reibrührschweißverfahrens (FSW). Beim FSW-Verfahren wird ein rotierendes, nicht verbrauchendes Werkzeug verwendet, das in ein Werkstück eintaucht, um die zum Schweißen einer Verbindung erforderliche Wärme zu erzeugen. Datensätze oder Parameter, die den FSW-Prozess definieren, sind die Verfahrgeschwindigkeit des Werkzeugs, die Rotationsgeschwindigkeit des Werkzeugs sowie die Korngröße und Versetzungsdichte des geschweißten Materials.
Die Optimierung des FSW-Verfahrens und der Qualität der Schweißnähte erfordert eine umfassende Kontrolle der mechanischen Eigenschaften, die mit dem Einsatz einer FSW-Maschine verbunden sind. Daher ist ein Verständnis der Beziehung zwischen den verschiedenen Variablen, die mit dem FSW-Prozess und der daraus resultierenden Schweißqualität verbunden sind, erforderlich. Mit Hilfe von ANN lässt sich das mechanische Verhalten von FSW-Verbindungen und -Prozessen vorhersagen, sobald die erforderlichen Daten oder Parameter in das neuronale Netz eingespeist werden. In diesem Beispiel wurde ein Simulationsmodell für das FSW-Verfahren mit Hilfe eines neuronalen Netzes entwickelt. Die historischen Daten, die zum Trainieren des neuronalen Netzes verwendet wurden, umfassten die Werkzeugrotation, die Verfahrgeschwindigkeit, die Zugfestigkeitswerte, die Schweißrichtung usw.
Das neuronale Netz war in der Lage, die mechanischen Eigenschaften des FSW-Prozesses und die Festigkeit der Schweißnähte unter bestimmten Betriebsbedingungen mit hoher Genauigkeit vorherzusagen. Somit können die Hersteller die Ergebnisse der FSW-Zyklen bestimmen, um neue Verfahren zur Verbesserung der Produktivität zu entwickeln.
Verbesserung der einrichtungsweiten Entscheidungsfindungsprozesse
Die Anwendung von ANN in der Fertigungsindustrie beschränkt sich nicht auf die Optimierung der Maschinenleistung. Ein wichtiger Aspekt ihrer Anwendung ist die Verbesserung der Entscheidungsprozesse im Zusammenhang mit anlagenweiten Operationen. Beispiele für solche Vorgänge sind die optimale Auswahl zwischen Produktionslinien mit mehreren Arbeitsplätzen oder die Bewertung der kosten- und zeitbezogenen Auswirkungen verschiedener Produktionsvariablen auf einen Produktionszyklus.
So muss beispielsweise ein Hersteller, der herkömmliche Materialflusssysteme durch eine automatisierte Infrastruktur ersetzen möchte, die beste Option für die besonderen Anforderungen seines Betriebs ermitteln. Zu den Faktoren, die sich auf die Funktionalität des Materialflusses auswirken, gehören der Status der Lieferarbeitsplätze, das Fabriklayout, die Geschwindigkeit alternativer automatisierter Materialflusssysteme sowie die Navigationskapazität der vorgeschlagenen Optionen.
Obwohl ein herkömmliches diskretes Ereignissimulationsmodell hilfreich sein kann, ist es ein schwieriger und zeitaufwändiger Prozess, alle oben genannten Faktoren zu berücksichtigen und die Regeln zur Auswahl des besten automatisierten Systems zu erstellen. Durch die Integration von ANN in Simulationsmodelle entfällt die Notwendigkeit, Regeln zu konstruieren, die die Komplexität der Fertigungsabläufe erfassen. Das neuronale Netz wird dann kontinuierlich mit simulierten Daten trainiert, um seine Entscheidungsgenauigkeit zu verbessern. Die Verwendung eines ANN stellt sicher, dass der Prozess des Aufbaus einer komplexen regelbasierten Logik durch ein genaueres System ersetzt wird, das die Fertigungsabläufe und die Entscheidungsfindung optimiert.
Schlussfolgerung
ANN vereinfacht die Entscheidungsfindung auf Maschinen-, Prozess- und Anlagenebene in der Fertigung. Neuronale Netze erhöhen die Genauigkeit der Bewertungen und analytischen Fähigkeiten eines Simulations- und digitalen Zwillingsmodells. Die Fähigkeit, neuronale Netze anhand synthetischer Trainingsdaten ständig zu trainieren, stellt sicher, dass ANN-Algorithmen in der Lage sind, sich an unterschiedliche Situationen anzupassen, genau wie das menschliche Gehirn.