(openPR) München, 1.12.2022 – Durch den Einsatz von KI-Algorithmen des Münchner Startup-Unternehmens Xplain Data GmbH ist es der Schwäbischen Werkzeugmaschinen GmbH (SW) gelungen, in der Fertigung von Zylinderkopfhauben die Ausschuss- und Nacharbeitsquote um 84 % zu senken. Xplain Data stellt ein Causal Discovery Verfahren zur Verfügung, das bislang unbekannte Fehlerursachen aufdeckt und Produktionsprozesse optimiert.
Profitiert davon hat die Lieferkette um die Schabmüller Automobiltechnik GmbH, einem bayerischen Automobilzulieferer mit Fokus auf Serienfertigung hochpräziser Bauteile. So konnte – durch die Behebung der identifizierten Ursachen - die Produktionsfehlerquote in der Zylinderkopfhauben-Herstellung auf 1,6 % reduziert werden.
Bauteiltemperatur entscheidend für Qualität
Es stellte sich heraus, dass die Dichtheitsprüfung im Fertigungsprozess stark von der Bauteiltemperatur nach dem Waschvorgang abhängt: Eine kurze Wartezeit zwischen diesen Schritten ist entscheidend. Weiterhin zeigten sich deutliche Qualitätsunterschiede in den Gussnestern der zugelieferten Rohteile. Aufgrund der Anlagenkomplexität ließ sich dieser Einflussfaktor zuvor nur schwer prüfen.
„Deloitte-Schätzungen zufolge erzeugt das produzierende Gewerbe jedes Jahr etwa 1.812 Petabyte (PB) an Daten – mehr als die meisten anderen Branchen. Die Industrie will diese Informationen nutzen, um kausale Zusammenhänge zu verstehen und Probleme zu lösen. SW hat den Schritt gewagt und unsere AI-Algorithmen implementiert – und gewonnen“, so Dr. Michael Haft, CEO Xplain Data GmbH.
Im Hause Schabmüller ist vorgesehen, die genutzten Algorithmen weiter zu automatisieren:
- AI-Bot: Neu auftretenden Fehlerquellen durch ein laufendes Monitoring frühzeitig entgegenzuwirken
- Integration zusätzlicher Daten entlang des Lebenszyklus eines Werkstücks in die Analyse: von der Materialzusammensetzung beim Guss, bis hin zur weiteren Verarbeitung und Endmontage bei einem der führenden deutschen Automobilhersteller.
Das Ziel ist eine 360°-Perspektive. Nähere Informationen zum Projekt hier.
Kausale Zusammenhänge als kritischer Faktor bei der Prozessoptimierung
Das Münchner Startup Xplain Data beschäftigt sich seit 2015 mit der Entwicklung von Algorithmen, die in der Lage sind, ursächliche Zusammenhänge in „Real World Data“ aufzuspüren (Causal Discovery) - und für intelligente Interventionen zu nutzen. So können z.B. Fehlerursachen beseitigt und gewünschte Effekte erzeugt werden. Voraussetzung dafür ist eine objektzentrierte Zusammenführung aller Unternehmensdaten, die durch Xplain Datas´ Object Analytics Database realisiert wird.
Erste Erfolge verzeichnete Xplain Data mit der „Root Cause Analysis“ im Gesundheitsbereich. Nun konnte Xplain Data in Zusammenarbeit mit SW erstmals Analyse-Methoden aus dem Gesundheitswesen auf Produktionsdaten übertragen: Hier geht es darum, Ursachen für Produktionsfehler zu erkennen und zu eliminieren sowie Maschinen vorausschauend zu warten. Die erste reale Anwendung in der Industrie stellte sich als großer Erfolg heraus, an den nun weiter angeknüpft wird.
Auch in der Industrie anwendbar: KI-Verfahren aus dem Gesundheitswesen
Durch die patentierten Xplain Data Verfahren konnten im Gesundheitsumfeld, basierend auf umfangreichen Patientendaten, potenzielle kausale Zusammenhänge von gewöhnlichen Korrelationen unterschieden werden. So wurden z.B. unerwünschte Nebenwirkungen von Medikamenten identifiziert, Risiken für zukünftige Erkrankungen aufgedeckt oder Versicherungsanbieter bei CRM, Tarifgestaltung und Angeboten zur Erhöhung der Lebensqualität unterstützt.
Die Herausforderung dahinter ist ähnlich: Millionen von Patienten müssen mit unzähligen verschriebenen Medikamenten, gestellten Diagnosen, Krankenhausaufenthalten und zahlreichen unterschiedlichen Datenquellen in Zusammenhang gebracht werden.
