Die Intelligenz hinter selbstoptimierenden Fertigung.
Verwandeln Sie Produktionsdaten in Empfehlungen, die Prozesse dabei unterstützen, sich an veränderte Bedingungen anzupassen. Builder Agents entwickeln und testen die Modelle für die Run-to-Run-Optimierung; die qualifizierte Automatisierung setzt die Anpassungen um.
Domänenwissen in jedem ModellAgent-Programm-Agent-AnpassungNachvollziehbare Empfehlungen
Eine Plattform / Von Daten zu kontrolliert verwalteten Modellen
Erstellen. Bewerten. Behalten Sie die Evidenz.
Builder Agents automatisieren die Modellierung innerhalb eines Lebenszyklus, der Datenherkunft, Modellversionen, Qualifizierung und Überwachung miteinander verbindet.
01
Entdecken
Problem eingrenzen und Daten untersuchen.
02
Vorbereiten
Datenlücken schließen und die Eingabedaten aufbereiten.
03
Vergleichsmaßstab
Festlegen, wie Modellkandidaten bewertet werden.
04
Suchen
Alternative Hypothesen entwickeln und testen.
05
Prüfen
Prüfen Sie das Modell und die Evidenzen hinter dem Ergebnis.
Ingenieure geben die Problemdefinition, die Aufbereitung und den Vergleichsmaßstab frei und prüfen anschließend das Ergebnis. Zwischen diesen Freigabeschritten kann die genehmigte Modellsuche autonom ablaufen.
Optimierung von Fertigungslauf zu Fertigungslauf / Der operative Kreislauf
Jeder Durchlauf liefert Erkenntnisse für den Nächsten.
Wenn ein Prozess abweicht, sollte der nächste Durchlauf von den gewonnenen Erkenntnissen profitieren. Insight macht aus dem Prozessverlauf und den Messwerten eine Empfehlung. Die qualifizierte Automatisierung schließt den Regelkreis.
Tatsächlicher Anwendungsfall
Die Bonder Selbstheilung.
Basierend auf einer tatsächlichen Fertigungsanwendung: Korrektur von Abweichungen nach dem Epoxidharzauftrag anhand von Insight-Empfehlungen und Autopilot-Anpassungen. Das Die-Bonder-Beispiel begleitet jeden Schritt.
01 / Prozessdaten
Lesen Sie die Fertigungslauf.
Die Messwerte, Prozessbedingungen und Zielvorgaben des abgeschlossenen Durchlaufs in den Kontext setzen.
Messergebnis + Prozessziel
Die Bonder / 01
Abweichung nach dem Epoxidharzauftrag erkennen
Die Prüfergebnisse nach dem Epoxidharzauftrag zeigen eine sich entwickelnde Drift im Die-Bonding-Prozess.
02 / iWave Insight
Empfehlen Sie eine Anpassung.
Das qualifizierte Modell bewertet die Nachweise und schlägt die nächste Anpassung vor – einschließlich seiner Grenzen und Herkunft.
Evidenzbasierte Empfehlung
Die Bonder / 02
Korrektur bestimmen
Insight bewertet die Drift und ermittelt die empfohlenen Korrekturwerte für Druck und Höhe der Epoxidharz-Dosierdüse.
03 / Qualifizierte Automatisierung
Validieren und Anwenden.
Autopilot oder ein anderes qualifiziertes System prüft die Betriebsgrenzen und nimmt nur eine autorisierte Anpassung vor.
Freigegebene Anlagenaktion
Die Bonder / 03
Autopilot passt die Korrekturwerte an
Autopilot wendet die qualifizierten Korrekturwerte für Druck und Höhe an, um die Abweichung zu korrigieren und zu verhindern, dass ein Epoxidharzfehler ausgelöst wird.
04 / Nächster Durchlauf
Messen Erneut.
Das neue Ergebnis mit der Zielvorgabe vergleichen. Die gewonnenen Erkenntnisse in die nächste Empfehlung einfließen lassen.
Neue Evidenz → nächste Empfehlung
Die Bonder / 04
Ergebnisse weiter überwachen
Die Lösung überwacht weiterhin die Ergebnisse nach dem Epoxy-Prozess, prüft die Wirkung der Korrektur und achtet auf weitere Abweichungen.
Das ist die Grundlage eines qualifizierten, sich selbst korrigierenden Prozesses: Insight liefert die Intelligenz; das qualifizierte Automatisierungssystem ist für Eingriffe an der Anlage verantwortlich.
Die Schwierigkeit liegt darin, zu entscheiden, was modelliert werden soll, welche Nachweise fehlen und welcher Ansatz funktioniert. Builder Agents automatisieren diese Untersuchung und greifen dabei auf Fachwissen aus der Fertigung und der Datenwissenschaft zurück.
01 / Ergebnis festlegen
Daten bereitstellen. Erläutern Sie das Ziel.
Laden Sie Beispieldatensätze hoch oder verbinden Sie Ihre Datenquellen. Erläutern Sie, was die Daten darstellen, unter welchen Betriebsbedingungen sie erfasst wurden und welches Ergebnis Sie erreichen möchten.
Daten + Fachkontext + angestrebtes Ergebnis
Der Rundgang folgt einem Beispiel zur Warnung bei einer Kältemaschine. Der Agent klärt die Betriebsbedingungen und den sinnvollen Vorwarnzeitraum, bevor die Modellierung beginnt.
iWave InsightBuilder Agent: Demo
Ein technischer Dialog liefert dem Builder Agent Kontext und ein Ziel.
02 / Hypothesen entwickeln
Machen Sie aus einem Ziel überprüfbare Hypothesen.
Builder Agents entwickeln plausible Modellierungsansätze, ermitteln die jeweils benötigten Daten und legen fest, wie die Alternativen getestet werden sollen. Fachwissen prägt die Untersuchung.
Hypothesen können verschiedene Modelle und Merkmalsauswahlen betreffen, nicht nur mögliche physische Fehler. Für jeden Kandidaten gibt es einen Grund für den Test und einen klaren Datenbedarf.
iWave InsightBuilder Agent: Demo
Der Agent entwickelt Modellhypothesen und prüft, welche Daten jeweils benötigt werden.
03 / Datenlücken klären
Machen Sie fehlende Evidenz sichtbar.
Builder Agents erkennen Datenlücken und zeigen, warum sie relevant sind. Stellen Sie weitere Daten bereit oder grenzen Sie den Umfang ein; der Agent erfindet keine fehlenden Beobachtungen.
Evidenzlücken / Ihre Entscheidung über das weitere Vorgehen
Ein Kandidat ohne ausreichende Datengrundlage bleibt ungetestet. In diesem Beispiel fährt die nutzende Person mit den verfügbaren Daten fort; die Vibrationshypothese bleibt sichtbar, wartet auf Daten und wird nicht in die Rangfolge aufgenommen.
iWave InsightBuilder Agent: Demo
Die nutzende Person entscheidet über das weitere Vorgehen; Hypothesen ohne ausreichende Datengrundlage bleiben ungetestet.
04 / Testen und vergleichen
Lassen Sie sich von den Ergebnissen leiten bei der Auswahl.
Nach der Freigabe des Benchmarks testen Builder Agents Modell- und Merkmalskombinationen anhand des vereinbarten Ziels. Vergleichen Sie die Ergebnisse und prüfen Sie, warum ein Kandidat besser abschneidet.
Bewerten Sie den ausgewählten Ansatz anhand späterer Messwerte, bestätigter Vorfälle und Wartungsbefunde, sobald diese Daten vorliegen.
iWave InsightBuilder Agent: Demo
Verfolgen Sie die Modellsuche des Agenten, die Verfeinerung der Merkmale und die Bewertung der Kandidaten.
05 / Prüfen und empfehlen
Prüfen Sie die Evidenz, bevor gehandelt wird.
Ingenieurinnen und Ingenieure prüfen das Ergebnis und seine Grenzen. Bei der Run-to-Run-Optimierung bildet ein qualifiziertes Modell die Grundlage für eine Anpassungsempfehlung; Autopilot oder ein anderes qualifiziertes System ist für Maßnahmen an der Anlage zuständig.
Insight empfiehlt / Qualifizierte Automatisierung handelt
Die Demo bewertet Warnungen zum Anlagenzustand anhand von Beispieldaten. Der oben gezeigte Betriebsablauf des Die-Bonders veranschaulicht, wie Empfehlungen mit einem separaten, qualifizierten Anlagen-Workflow verknüpft werden.
iWave InsightBuilder Agent: Demo
Neue Daten verändern die Rangfolge und fließen in die Empfehlung für den nächsten Schritt ein.
06 / Ziel ändern
Ziel ändern. Erneuern Sie die Untersuchung.
Ein neuer Prozess oder ein neues Ziel verändert die Anforderungen an Daten, Hypothesen und Tests. Builder Agents automatisieren diese Anpassung, damit Fachwissen für die nächste Fertigungsaufgabe genutzt werden kann.
Skalierbarkeit der KI / Neuer Kontext, neue Bewertung
Vergleichen Sie die Untersuchung für die Run-to-Run-Optimierung mit der für die Frühwarnung bei Verschleiß. Jedes Ergebnis wird für sein jeweiliges Ziel qualifiziert.
06 / KI-Skalierbarkeit durch Anpassung
Das Ziel ändern. Neu aufbauen: die Untersuchung.
Das Ziel ändern. Builder Agents passen die Datenanforderungen, Modellhypothesen und Evaluierung daran an.
Die Anpassung vergleichenZweiter Anwendungsfall zur Veranschaulichung
Run-to-Run-Optimierung
Empfehlen, wie der nächste Lauf angepasst werden sollte
Kontext
Prozessverläufe + Laufeinstellungen
Beibehalten
Ergebnisnachweise
Verknüpfte Metrologiemessungen
Erforderlich
Modellhypothesen
Kandidaten für Prozessreaktionen und Drift
Angepasst
Evaluierung
Vorhersagefehler und Gültigkeit der Empfehlung
Task-specific
Qualifiziertes Ergebnis
Nachvollziehbare Run-to-Run-Empfehlung
Ergebnis
Warnung vor Zustandsverschlechterung
Zustandsverschlechterungen von Anlagen früher erkennen
Kontext
Relevante Anlagenverläufe + Betriebshistorie
Beibehalten
Ergebnisnachweise
Wartungsereignisse + spätere Zustandsnachweise
Geändert
Modellhypothesen
Kandidaten für zeitliche Anomalieerkennung und Prognosen
Geändert
Evaluierung
Warnvorlaufzeit und Fehlalarmverhalten
Neue Tests
Qualifiziertes Ergebnis
Evidenzgestützte Empfehlung zur Untersuchung
Neues Ergebnis
↳
Das neue Ziel wird gesondert bewertet und qualifiziert.
Builder Agents automatisieren die Anpassung. Das daraus resultierende Modell wird anhand seines spezifischen Ziels bewertet.
Agent-Programm-Agent
Builder Agents passen die Datenpipeline, Modellkandidaten und Tests an. Ingenieure prüfen und qualifizieren das Ergebnis. Insight nutzt das qualifizierte Modell, um Empfehlungen zu erstellen.
KI-Skalierbarkeit / Automatisierung der Anpassung
Neue Ziele. Fachwissen eingesetzt bei Skalieren.
Ein anderer Prozess oder ein anderes Ziel verändert die Modellierungsarbeit. Builder Agents passen die Datenaufbereitung, Hypothesen und Bewertung entsprechend an und bringen Fachwissen in die nächste Aufgabe ein.
Bringen Sie einen anderen Anlagenverlauf, andere Variablen und Messwerte ein. Überprüfen Sie die Modellannahmen erneut und testen Sie den neuen Kontext.
Zielvorgabe ändern
Wechseln Sie von Empfehlungen für den nächsten Fertigungslauf zu Warnungen vor Verschlechterung. Die erforderlichen Evidenzen, Modellkandidaten und Erfolgskriterien ändern sich dabei gemeinsam.
Ergebnis qualifizieren
Prüfen Sie die neuen Evidenzen und Einschränkungen, bevor das Modell eingesetzt wird. Durch Anpassung und Bewertung lässt sich Fachwissen skalieren.
Eine andere Anwendung
Messtechnik dort einsetzen, wo sie zählt Beste heraus.
Insight kann auch den Anlagenzustand nutzen, um die Priorität bei der messtechnischen Stichprobenprüfung festzulegen: Lose von Anlagen mit schlechterem Zustand erhalten eine höhere Priorität, Lose von Anlagen mit besserem Zustand eine niedrigere. Eine niedrigere Priorität bedeutet keinen automatischen Verzicht auf die messtechnische Prüfung.
