Heute möchten wir eine bemerkenswerte Veröffentlichung vorstellen, die 2021 in der „Anwendungen und Konzepte der Wirtschaftsinformatik (AKWI)“ erschienen ist. Diese Arbeit baut auf den Erkenntnissen der PartikelART Solution GmbH auf und demonstriert eindrucksvoll, dass die automatisierte Klassifikation von Partikelbildern bei Continental erfolgreich umgesetzt wurde.
Die Autoren Jan-Michael Kirchner, Frank Herrmann, Harald Fritzsche und Dr. Thomas Kleinert beleuchten den erheblichen Aufwand, der mit der manuellen Nachkontrolle nach der Analyse und der Metall-/Nichtmetall-Klassifikation im Messsystem einhergeht. In vielen Unternehmen ist es zudem Expertenwissen, wie ein Partikel beschaffen ist, wenn er aus einer bestimmten Quelle stammt, wodurch Rückschlüsse auf die Partikelquelle häufig nur eingeschränkt möglich sind.
Ein häufig beobachtetes Problem ist, dass nach Erhalt von Analyseberichten, die Grenzwertüberschreitungen anzeigen, oft auf FMEAs oder Potentialanalysen zurückgegriffen wird. Daraus resultieren Maßnahmenpläne, deren Kosten-Nutzen-Verhältnis oft unbekannt ist. Vermeiden Sie diesen Fehler! Die Standardsauberkeitsanalyse liefert bereits wertvolle Hinweise auf Schwachstellen in den Partikelbildern.
Wie lässt sich das besser umsetzen?
- Analyse der Partikelbilder: Untersuchen Sie die Partikelbilder aus Ihren Berichten auf Ähnlichkeiten und clustern Sie diese.
- Prozesskenntnis: Lernen Sie Ihre Prozesse und die spezifischen Partikel kennen. Diese können zerstörungsfrei abgesaugt oder mithilfe des Partikelstempels analysiert werden.
- Partikelkatalog aufbauen: Erstellen Sie einen umfassenden Partikelkatalog.
- Automatisierte Partikelklassifikation: Nutzen Sie KI-Modelle, die anhand von Beispielbildern für jede Klasse (Prozess) lernen, welche Eigenschaften spezifisch sind.
- Ergebnisse mit Prozesswissen betrachten: Analysieren Sie die Ergebnisse im Kontext der gesamten Prozesskette.
Ein Beispiel zur Veranschaulichung: Frank Herrmann et al. verwendeten 1017 Bilder (646 metallische und 371 nichtmetallische Partikel) zum Training und 1064 Bilder zum Testen eines Klassifikationsmodells, was zu einer Genauigkeit von 82% führte. Dr.-Ing. Ronny Zwinkau et al. erreichten 2018 mit ca. 4000 Bildern eine Genauigkeit von etwa 98%. Die PartikelART Solution GmbH nutzt für ihre PartikelLens App 34.000 Bilder für die Metall-/Nichtmetall-Klassifikation. Dabei ist nicht nur die Quantität, sondern auch die Bildqualität entscheidend, weshalb unsere Modelle kontinuierlich ergänzt und nachtrainiert werden.
Dank unseres Ansatzes konnten wir in zahlreichen Projekten Kunden dabei helfen, relevante Partikelquellen sowie systematische und unsystematische Partikelentstehung zu identifizieren und gezielt zu eliminieren. Dies spart Zeit und Geld, und der Nachweis der Wirksamkeit der Maßnahmen ermöglicht ein verlässliches Roll-Out.
Wenn auch Sie das Thema Partikel in den Griff bekommen möchten, zögern Sie nicht, uns zu kontaktieren.