Über 100 Jahre nach der Begründung der Arbeitswissenschaft durch Frederick Winslow Taylor werden menschliche Montagetätigkeiten immer noch größtenteils manuell beobachtet und gemessen. Die Folgen sind ein Mangel an Information, unvollständige Datensätze, Beobachtungsverzerrungen und das Fehlen von Systemperspektiven bei manuellen Montageprozessen. In Anbetracht der Tatsache, dass immer noch über 70 % der Montagetätigkeiten weltweit durch den Einsatz menschlicher Arbeitskraft erfolgen, hat das Industrial Internet of Things hier einen gewaltigen, menschengemachten blinden Fleck.

Ändern lässt sich der Status quo durch Technologien, die die Methoden der Zeit- und Bewegungsstudien revolutionieren und die angesprochenen Mängel beseitigen. Die Firma Drishti nimmt hier, gemeinsam mit einigen der weltweit führenden Fertigungsunternehmen, die unter anderem auch in Europa beheimatet sind, eine Vorreiterrolle ein.
 

Bild 2. Eine Ansicht der Variabilität an Arbeitsstationen: Zu jedem Datenpunkt kann mit einem Klick das zugehörige Video abgerufen werden. Drishti bietet eine umfassende Analyse standardisierter Arbeitsschritte in Echtzeit, beispielsweise auf die Fragen: Wo liegen Kapazitätsengpässe? Wo entsteht Verschwendung?

© Drishti

Um diese Herausforderungen zu bewältigen, wurden zahlreiche Funktionen eingeführt:

• Eine fast vollständig unüberwachte Lernfunktion ermöglicht eine genaue Datenerstellung mit kleineren Datensätzen und eine 10-fache Reduzierung der Trainingszeit im Vergleich zu anderen Methoden.
• Dank 3D-Convolution betrachtet die Künstliche Intelligenz nicht nur einzelne Frames, sondern auch den Zeitaspekt zwischen ihnen. Auf diese Weise erzielt Drishti eine deutlich höhere Genauigkeit als andere Lösungen.
• Mittels einer Verdeckungserkennung mit Erinnerungsfähigkeit antizipiert die KI, was hinter einem Objekt geschieht, das Teile des Kamerasichtfeldes verdeckt. Wird etwa ein normalerweise sichtbares Werkzeug verdeckt, schließt die KI aus der Bewegung des sichtbaren, das Werkzeug haltenden Arms, was im nicht sichtbaren Bereich des Bildes geschieht.
• Um für Kunden einen greifbaren Mehrwert zu schaffen, wurden eine vollständig integrierte Systemarchitektur, eine Videopipeline und eine Data Science-Engine geschaffen.

Videos zu Fehlerursachenanalyse

Bild 3. Durch Edge-basierte Maskierung in den Kameras wird der Schutz personenbezogener Daten gewährleistet.

© Drishti

Der Einsatz der Lösung beginnt mit der Identifizierung eines Anwendungsfalls beim Kunden. Nach dem Projekt-Kick-off werden die Kameras installiert und mit einer sicheren VPN-Verbindung an Drishtis Cloud angeschlossen. Dies kann auch durch Mitarbeiter des Kunden vor Ort geschehen. In den darauffolgenden Wochen wird die KI auf die Erkennung der Prozessschritte der ausgewählten Montagelinien trainiert. In enger Zusammenarbeit mit dem Kunden lernen die Mitarbeiter, wie sie die Tools in ihrer täglichen Arbeit zur Erreichung ihrer Ziele einsetzen können. Üblicherweise lassen sich innerhalb von wenigen Wochen nach Projektbeginn erste Erfolge in den kontinuierlichen Verbesserungsprozessen des Kunden quantifizieren.
 

Konkreter Nutzen

Die bestehenden Prozesse zur Untersuchung von Kunden-reklamationen sind zeitaufwendig und teuer. Da Drishtis Datenbank an das MES des Kunden angebunden ist, kann der Montageprozess für jedes einzelne Produkt auch zu einem späteren Zeitpunkt detailliert nachvollzogen werden, die Videos lassen sich leicht auffinden. Dies reduziert sowohl die Dauer als auch die Kosten zur Untersuchung von Kunden-reklamationen: Ein deutscher Autozulieferer beispielsweise spricht von einer durchschnittlichen Ersparnis von umgerechnet 10.000 US-Dollar in einem seiner Werke in Mexiko.

Ein weiterer positiver Aspekt sind Produktivitätssteigerungen durch kontinuierliche Prozessverbesserungen. Die Technologie ist immer ‚an‘ und liefert dadurch Einblicke in Produktionsprozesse mit menschlicher Beteiligung in einem Umfang und einer Geschwindigkeit, die bisher schwer vorstellbar waren. Die zu einzelnen Arbeitsschritten und Zykluszeiten gewonnenen Daten werden durch die KI übersichtlich und systematisch aufbereitet. Kunden können Ursachen von Verschwendung schnell identifizieren und Maßnahmen zu deren Beseitigung definieren. Ein Beispiel: Der deutsche Automobilzulieferer Hella setzte Drishti bewusst an einer als optimiert betrachteten Linie ein, um die Leistungsfähigkeit der Technologie zu testen. Mit herkömmlichen Methoden konnten keine neuen Verbesserungspotenziale mehr identifiziert werden. Mithilfe von Drishti konnten innerhalb von zehn Wochen Steigerungen des Durchsatzes um bis zu 7 % und der Anlagenverfügbarkeit um 4 % erreicht werden.