KI-basiertes Empfehlungssystem für den Leistungselektronikbau
Die Pikatron GmbH aus Usingen fertigt kundenspezifische Leistungselektronik in Kleinserien. Viele der Aufträge des Unternehmens haben spezifische elektrische und mechanische Anforderungen. Das erschwert eine gleichbleibende Qualität der Produkte sowie die Dokumentation des Fertigungsprozesses und der Bauvorschriften. Im KI-Pilotprojekt soll ein KI-Empfehlungsdienst auf Basis der bestehenden Datensammlung entwickelt werden. Dieser soll Entwickler*innen dabei unterstützen, das historische Wissen von Pikatron besser einzusetzen, um so Entwicklungszeit und Ausschuss einsparen zu können.
Leistungselektronik aus Usingen
Pikatron entwickelt und produziert kundenspezifische Leistungselektronik. Materialien, die dafür eingesetzt werden, sind Metalle (z. B. Eisen, Kupfer und Aluminium), fossilbasierte Materialien (z. B. Vergussmassen, Spulenkörper und Isolationsfolien), organische Materialien wie Verpackungen und Kernmaterialien wie Ferrite. Die Elektronikprodukte werden auf Basis der technischen Anforderungen der Kund*innen und nach deren Bedürfnissen entwickelt. Dies schließt auch die Entwicklung von Prototypen ein. Nach erfolgreichen Tests werden diese dann zur Fertigung freigegeben und kontinuierlich mit weiteren Tests überprüft.
Herausforderung: Historisches Entwicklungswissen kontextsensitiv nutzbar machen
Derzeit werden technische Anfragen mit sehr spezifischen elektrischen oder mechanischen Anforderungen an einzelne Entwickler*innen weitergeleitet. Diese entwickeln die Produkte auf Basis ihrer Erfahrung, unter zu Hilfenahme von Wissen und Daten aus bereits abgeschlossenen Entwicklungen. Diese Daten sind allerdings schwer zugänglich und durchsuchbar. Das wertvolle aufgebaute Wissen aus ähnlichen vorhergegangen Prototypen ist kaum zugänglich. Die Herausforderung ist also, das historische Wissen kontextsensitiv für andere Entwicker*innen verfügbar zu machen. So könnten beispielsweise Iterationen von Prototypen eingespart werden, da man später im Iterationszyklus einsteigen kann, weil schon bestehende ähnliche Prototypen nur angepasst werden müssen.
Effizientere Produktentwicklung mit Hilfe von KI
Das Projekt zielt darauf ab, ein Empfehlungssystem auf Basis bestehender Datensammlungen zu entwickeln. Dieses System soll Entwickler*innen ermöglichen, schnell und effizient auf bestehendes Wissen und Dokumentationen zuzugreifen, um konsistente und optimierte Produktspezifikationen zu erstellen. Dies kann die Ausschussquote und die Materialverschwendung, z. B. bei der Prototyp-Entwicklung, signifikant reduzieren.
Zunächst werden die technischen Anforderungen der Produktentwickler*innen formalisiert, sodass diese vom Empfehlungssystem verarbeitet werden können. Wissensgraphen sollen eingesetzt werden, in welchen Daten entwickelter Konzepte, Prototypen und Produkte gespeichert und verknüpft werden. Die Wissensgraphen sollen unter Einbeziehung von Fachanwender*innen entwickelt und strukturelle Wissensmodelle (Domänen-Ontologien) für das jeweilige Themengebiet erstellt werden.
Des Weiteren werden KPIs definiert, z. B. zu Materialeffizienz und Ausschussreduktion, die das System bei der Generierung von Vorschlägen berücksichtigen soll.. Auf dieser Basis wird ein Unternehmensgedächtnis aufgebaut, welches Datensilos aufbricht, Daten anreichert und eine übergreifende Suche ermöglicht. Dafür werden Machine Learning Ansätze wie z.B. Link-Prediction und Case-Based-Reasoning, genutzt und weiterentwickelt.
Ressourceneinsparung durch gezielte Datenvorschläge
In dem Projekt wird der Abschnitt zwischen Entwicklung und Produktion in der Wertschöpfungskette adressiert. Die historischen Daten sind nur schwer durchsuchbar und zugänglich, da die elektronischen Komponenten durch die kundenspezifische Entwicklung sehr spezifisch sind, und von einer Vielzahl unterschiedlicher Personen erstellt wurden. Das Empfehlungssystem mit den Daten der Entwickler*innen soll diesen gezielt passende Vorschläge machen, die ihnen nicht bekannt sind. Die Verfügbarkeit von Testergebnissen und Validierungen von Prototypen oder Serienproduktionen unterstützen Entwickler*innen, durch kontextsensitives Wissen, in der Entwicklung neuer kundenspezifischer Elektronik. Anstatt also die gleichen oder ähnliche Erfahrungen noch einmal durch Material- und Personaleinsatz zu sammeln, können Entwickler*innen auf die vorgeschlagenen Baupläne und Messergebnisse der historischen Prototypen aufbauen. Dies verkürzt den Entwicklungsprozess und verringert die Anzahl der Zyklen, welche für die Entwicklung der benötigt werden. Neben der Einsparung des damit verbundenen Materials ist ein weiterer Vorteil, dass durch die verkürzte Entwicklungszeit Kund*innen früher ein passendes Produkt angeboten werden kann.
Ressourceneffizienz durch intelligentes Empfehlungssystem
Ziel des Pilotprojektes mit dem Green-AI Hub Mittelstand ist es, historisch aufgebautes Wissen besser verfügbar und zugänglich zu machen. Das dafür entwickelte Empfehlungssystem soll Entwickler*innen passende historische elektronische Komponenten vorschlagen. Die Kombination aus Mess- und Lagerdaten soll ermöglichen, Material ressourceneffizienter einzusetzen. Ein KPI für die Messung der Ressourceneffizienz ist die Einsparung von Prototypen-Entwicklungen. Die Kosten der KI werden sich hauptsächlich auf die Entwicklung der Ansätze selbst beziehen. Diese sind aber auch als gering einzuschätzen, da die Ansätze keine großen Modelle beinhalten. In der produktiven Umgebung werden die Kosten der KI hauptsächlich auf die Energiekosten des Servers zurückzuführen sein, auf welchen das Empfehlungssystem läuft.
Technologie
Fähigkeit der KI: Datenanalyse und Assistenz
KI-Modell: Wissensgraph basiertes Empfehlungssystem optimiert Materialeinsatz der kundenspezifischen Leistungselektronik
Wertschöpfung
Phase: Entwicklung
Ziel der KI: Optimierung des Materialeinsatzes bei der Entwicklung von Bauplänen
Ressourceneffizienz
Es wird beabsichtigt Eisen, Kupfer, Aluminium, Vergussmassen, Spulenkörper und Isolationsfolien einzusparen.
