2-2022

Dienstleistung
Über die TQ-Group:
Die TQ-Group wurde 1994 als 2-Mann-Unternehmen gegründet
und besteht heute aus rund 1.700 Mitarbeitern an 15 Standorten
in Deutschland, der Schweiz, den USA und in China. Als einer
der größten Technologiedienstleister und Elektronik-Spezialisten in
Deutschland realisiert die TQ-Group maßgeschneiderte und innovative
Lösungen für die unterschiedlichsten Branchen, sowohl im
Hardware- wie auch im Softwarebereich – von der Entwicklung, Produktion
und weiteren Dienstleistungen bis hin zum Produktlebenszyklusmanagement.
weile produktiv eingesetztes Planungs-Tool
zur Anwendung, das
die Methode des Reinforced Learnings
nutzt. Außerdem wird ein
eigens dazu entwickelter Algorithmus
eingesetzt, der sich aus den für
den optimalen Fertigungsmix relevanten
Vergangenheitsdaten der
SMD-Fertigung speist. Dieser Algorithmus
bringt es sich selbst bei, wie
eine optimale Maschinenbelegung
aussieht. Im Falle von TQ wurden
historische Auftrags- und maschinenbezogene
Daten aus über fünf
Jahren bereitgestellt, um damit den
Algorithmus zu trainieren und dessen
Vorhersagen und Ergebnisse
zu optimieren.
Mit KI in der Produktion
gelingt es, die Wettbewerbsfähigkeit
zu verbessern. Das zeigt ein
Beispiel aus der SMT-Fertigung, bei
dem Machine Learning ein enormes
Einsparpotenzial in der Bearbeitungszeit
ermöglicht, indem es in
der Feinplanung des Fertigungsprozesses
zum Einsatz kommt: In
weniger als 15 min übernimmt das
Programm vollautomatisiert den
gesamten Vorrat an Produktionsdaten
aus SAP und überführt diesen
automatisiert in eine optimale
Fertigungsreihenfolge inklusive Linienzuordnung,
Schichtplanung und
Rüstreihenfolge. Manuell betrieben
dauert das mehrere Stunden
pro Fertigungsstandort.
Der Schlüssel zum Erfolg ist hier
die durch KI mögliche genaue Vorhersage
der Fertigungsdauer einzelner
Aufträge auf den unterschiedlichen
Linien. Das ist besonders
wichtig, da verschiedene Linien die
Leiterplatten unterschiedlich schnell
bestücken können. Der Grund ist,
dass jede Linie aus unterschiedlichen
Bestückern mit verschiedenen
Bestückungsköpfen besteht.
Bemerkenswert ist auch die Fähigkeit
von KI, aus einer (fast) unendlichen
Anzahl von Kombinationsmöglichkeiten
in kurzer Zeit optimierte
Lösungen zu finden. Dadurch lassen
sich nicht nur bessere Ergebnisse
erzielen, sondern auch viel
Zeit einsparen. Dies macht sich
besonders in der Linienbelegung
bemerkbar, bei der eine große
Anzahl an Randbedingungen die
manuelle Belegung sehr zeitaufwändig
gestaltet und viel Know-how
des Planers nötig ist. Unabhängig
vom Wissensstand kann durch den
Einsatz von KI jeder Mitarbeiter die
Planung durchführen.
Um die Einbindung von KI in
Produktionsumgebungen erfolgreich
umzusetzen, gilt es, ähnlich
wie beim Einsatz der Robotik, dem
Change Management als wichtigste
Säule im Implementierungsprozess
ausreichend Aufmerksamkeit zu
widmen. Diese Vorgehensweise
empfiehlt sich bei jeder Form der
Automatisierung. Dabei kommt es
darauf an, sowohl die KI-Experten
als auch die Produktionsprozessexperten
im Unternehmen für eine
gemeinsame Lösung zu begeistern
und den Knowhow-Transfer sicherzustellen.
Ein wesentlicher Aspekt
zu Beginn eines Projekts ist, dass
die Mitarbeiter einbezogen werden
und an der Lösung teilhaben.
KI in der Qualitätskontrolle
sorgt für präzise Vorhersagen und
Zeiteinsparung. Beispielsweise prüft
TQ die Qualität von Elektromotoren
mithilfe von KI. Der Anspruch an die
Motoren ist dabei, dass diese 100 h
fehlerfrei laufen. Als „gut“ eingestuft
wird der Motor, wenn die Effizienz
nach 3 h 73% oder mehr beträgt.
Die dafür nötigen Prüfumfänge und
auch die Prüfzeiten ließen sich durch
maschinelles Lernen enorm reduzieren,
und TQ konnte sehr viel präzisere
Ergebnisse erzielen. Erreicht
wurde dies durch die sogenannte
Supervised-Learning-Methode, bei
der der Algorithmus mit „Gut“- und
„Schlecht“-Mustern trainiert wird.
Auch hier gilt: Je größer der Pool
an Trainingsdaten, desto präziser
und schneller arbeitet der Algorithmus
später im produktiven Einsatz.
Mit steigender Anzahl an geprüften
Motoren und damit einem stetig
größer werdenden Pool an Trainingsdaten
kann der Algorithmus
immer früher „gut“ von „schlecht“
unterscheiden – bei gleicher Vorhersagegenauigkeit.
Vom Prinzip
her entspricht das einem automatischen
kontinuierlichen Verbessern
der Endprüfung von Produkten ohne
Eingriff des Mitarbeiters.
Zusätzlicher Nutzen von KI
lässt sich im EMS-Bereich ausmachen.
Die zuvor beispielhaft
beschriebenen Methoden lassen
sich auf den gesamten Produktionsprozess
ausweiten und nahtlos
in bestehende Arbeitsprozesse einbinden.
Somit beinhaltet die Integration
von KI in Manufacturing Execution
Systeme (MES) das größte,
noch zu erschließende Potenzial.
Die gesammelten Daten im
Bereich der Elektronikfertigung in
Unternehmen kann man auch noch
anderweitig nutzen. So lassen sich
Daten aus der Reparatur beschädigter
Baugruppen für die schnellere
Fehlersuche bei künftigen Reparaturen
verwenden oder die defekten
Bauelemente schneller finden.
Ein weiterer Mehrwert firmeninterner
KI entsteht durch die Auswertung
von Kundendaten. Zum
Beispiel können Abnahmeschwankungen
der Kunden bedingt durch
saisonale Einflüsse oder branchenübliche
Unsicherheiten in die Planung
der Produktionsprozesse, insbesondere
der KI-gestützten Feinplanung
mit einfließen. Dadurch lassen
sich Liefertreue und Kundenzufriedenheit
ausbauen.
Fazit
Es lässt sich zusammenfassen,
dass für die Prozessoptimierung in
der Elektronikfertigung KI-gestützte
Anwendungen ein enormes Potenzial
für Effizienz- und Effektivitätssteigerungen
bereithalten. Daher
nimmt bei TQ der schrittweise und
systematische Einsatz von KI einen
elementaren Stellenwert in der mittel-
bis langfristigen Produktionsstrategie
ein. ◄
88 2/2022