Kausale KI
Ursache-Wirkung-Zusammenhänge verstehen mit kausaler KI
In einer SMD-Fertigung entstehen in jeder Schicht Millionen von Datenpunkten, die zu Traceability-Zwecken gespeichert werden. Doch aus diesen Daten kann man mehr herausholen:
- Analysen zu Fehlerquoten in der Produktion und deren Senkung
- Einfluss des Leiterplattendesigns auf die Produktion und mögliche Optimierungen
- Zusammenhänge und Abhängigkeiten einzelner Prozessparameter und Gegensteuerungsmaßnahmen
Eine datengetriebene Problemanalyse entlang der Produktionslinie erfordert allerdings häufig einen hohen manuellen Data-Engineering-Aufwand, weil viele unterschiedliche Datenquellen, z. B. von Drucker, SPI, Bestücker, Ofenprofiler und AOI, erst zusammengeführt werden müssen.
Da es sich um Millionen von Datenpunkten verteilt auf diverse Systeme handelt, stoßen herkömmliche Tools schnell an ihre Grenzen. Doch nur wenn die Fülle an Produktionsinformationen zusammengeführt wird, kann künstliche Intelligenz daraus kausale Zusammenhänge erschließen und so Optimierungspotenziale aufdecken.
Die kausale KI von Xplain Data setzt genau hier an: Der CausalDiscoverer von Xplain Data, ein für die Verarbeitung großer Datenmengen optimiertes KI-Tool, analysiert alle Daten der SMD-Linie und offenbart oft ungeahnte Ursache-Wirkung-Zusammenhänge. Erhalten Sie einen neuen Blick auf Ihre Fertigung und entdecken Sie neue, datengestützte Potenziale für die Optimierung Ihrer Prozesse.
Die Vorteile der kausalen KI
Ganzheitliche Analyse
Alle Faktoren entlang der SMD-Linie, die den Prozess in Sachen Qualität und Design beeinflussen, fließen in die Analyse mit ein.
Mehr Prozessverständnis
Die Analyse der kausalen KI liefert einen neuen Blick auf den Prozess und seine Ursache-Wirkung-Zusammenhänge und schafft so ein neues, tieferes Verständnis für den SMD-Prozess.
Fehler- und Kostenreduktion
Durch die von der KI entdeckten Ursache-Wirkung-Zusammenhänge kann der Prozess noch gezielter und nachhaltiger optimiert werden – Produktionsfehler und Kosten werden so gesenkt.
In 3 Schritten zur kausalen Qualitätskontrolle
Die patentierte ObjectAnalytics-Technologie von Xplain Data folgt einem objektzentrierten Ansatz, bei dem sämtliche relevanten Daten in einem zentralen Objektmodell zusammengeführt werden. Ein Technologe oder SMD-Leiter kann nun mit nur wenigen Mausklicks grafische Auswertungen erstellen und so die kausalen Ursachen der auftretenden Probleme erkennen.
- Integration der Produktionsdaten
Im ersten Schritt werden sämtliche Produktionsdaten aller Systeme an die ObjectAnalytics Database angebunden.
2. Kausale Analysen auswerten
Die Technologie analysiert die SMT-Daten und präsentiert kausale Muster, die zu Qualitätsabweichungen geführt haben.
3. Implementierung eines Bots
Zukünftig wacht ein Bot im Hintergrund und prüft auf potenzielle Fehlerursachen über alle Produktionsschritte hinweg.
Komplexe Auswertung, einfache Integration
Ob über Python, JavaScript oder WebAPI – die flexiblen Schnittstellen von Xplain Data ermöglichen die Abfrage von Dashboards in nahezu alle bestehenden Analyse-Workflows, Qualitätssystemen oder Webanwendungen.
Welche Probleme könnte die ganzheitliche Datenauswertung in einer SMD-Fertigung aufzeigen?
Hier ein paar Beispiele, welche kausalen Zusammenhänge die KI aufdecken könnte: Langsamer Verschleiß, fehlende Wartung, Probleme in den Abläufen oder Umwelteinflüsse spiegeln sich in den Daten wider, lange bevor sie ein Mensch detektiert.
- Mehr Fehler bei Hitzetagen: Zusammenhänge zwischen Umgebungsbedingungen (Temperatur, Feuchtigkeit) und Fehlerhäufigkeit
- Hohe Stillstandszeiten durch Feederwechsel oder Materialnachschub: Erkennbar durch OEE-Analysen und Maschinenlogdaten
- Pick-and-Place-Fehler durch Vakuumprobleme: Muster in Maschinendaten (Vakuum-Zeitreihen, Abweichungen der Bestückzeiten)
- Abnutzung der Schablone: Zunehmende Fehlerhäufigkeit nach bestimmten Produktionszyklen
Über Xplain Data
Xplain Data, gegründet im Jahr 2015, hat sich auf die kausale Analyse komplexer Daten spezialisiert. Ursprünglich im Gesundheitswesen eingesetzt, um durch die Betrachtung sämtlicher Patientendaten kausale Ursachen von Gesundheitsproblemen aufzudecken, wendet das Unternehmen seine Methodik nun auch auf die industrielle Produktion an. Der Unternehmenssitz ist in Zorneding nahe München.
