Gemeinsam mit der NETZSCH-Gruppe haben wir LabV konzipiert, eine Schlüsselrolle bei seiner Entwicklung übernommen und es als Produkt auf den Markt gebracht, das Laboren hilft, ihre Daten besser zu nutzen:

• Datenaggregation: LabV führt Daten von Laborgeräten auf einer zentralen Datenmanagementplattform zusammen. Ein intelligenter Mapper verarbeitet die verschiedenen Datenformate und speichert sie in einem einheitlichen Format.
• Datenintegration: Die zusammengeführten Daten werden in Projekten organisiert und können mit anderen Datenquellen kombiniert werden. So können Projektdetails aus ERP-Systemen abgerufen oder Verknüpfungen zwischen den Labordaten und den zugehörigen MES-Daten hergestellt werden.
• Datenanalyse: Daten können innerhalb der Plattform gezielt gesucht und weiter analysiert werden, z. B. durch Hinzufügen statistischer Auswertungen oder grafischer Darstellungen.
• Datenaufbereitung: Projektergebnisse können automatisch in Testberichte oder vergleichbare Dokumentationsformen unter Verwendung von Office-Vorlagen exportiert werden.
• LLM-Unterstützung: Mit Hilfe des LabV-Assistenten können weitere komplexe Suchen und Analysen in den Daten mithilfe von Anweisungen in natürlicher Sprache durchgeführt werden. LabV integriert die Datenbank mit den Analysefunktionen von Wolfram Mathematica und ermöglicht die Verwendung von Dokumenten für weitere Recherchen.

Im Rahmen des Projekts haben wir jede Phase des gesamten Entwicklungszyklus eines professionellen Softwareprodukts durchlaufen und dabei einen systematischen und organisierten Ansatz gewährleistet:

‍

• Marktanalyse und Geschäftsmodellentwicklung: Vor Beginn der Softwareentwicklung wurde der Markt gründlich analysiert, die Nutzerbedürfnisse wurden ermittelt und ein Anforderungsprofil erstellt, das als Grundlage für das Geschäftsmodell diente.
• Minimum Viable Product (MVP): Anschließend wurde ein MVP als funktionsfähiger Demonstrator entwickelt, der sowohl auf Messen als auch durch erste Kundenanwendungen validiert wurde.
• Marktreifes Produkt: Auf Grundlage von Feedback wurde das Produkt sowohl hinsichtlich seiner Funktionalität als auch der Benutzerfreundlichkeit weiterentwickelt, um seine professionelle Marktfähigkeit sicherzustellen.
• Laufende Weiterentwicklung: Die kontinuierliche Produktverbesserung wird professionell gesteuert, wobei der Schwerpunkt auf der Hinzufügung neuer Funktionen und der Pflege der technologischen Grundlage liegt, um eine einfache Skalierbarkeit und Wartbarkeit zu gewährleisten.

Im Rahmen dieses Projekts wurde ein Scouting-Prozess durchgeführt, um eine lange Liste mit über 50 relevanten KI-Anwendungsfällen aus vier verschiedenen Branchen zusammenzustellen, die jeweils anhand definierter Kriterien kurz beschrieben wurden.

‍

Ein besonderer Schwerpunkt lag auf Datenstrategien, die in anderen Branchen eingesetzt werden, der Vernetzung von Daten und der Zusammenarbeit von Unternehmen mit vor- und nachgelagerten Partnern entlang der Wertschöpfungskette, um unternehmensübergreifende Plattformen zu schaffen.

‍

Sechs vom Kunden ausgewählte Anwendungsfälle wurden durch eingehende Untersuchungen und qualitative Interviews genauer untersucht.

Die Ermittlung geeigneter Einstellungen für Spritzgießmaschinen ist oft zeitaufwändig und erfordert manuelle Versuche oder komplexe Simulationen. Gemeinsam mit der Sick AG und dem Hong Kong Industrial AI and Robotics Centre (FLAIR) haben wir den KI-gesteuerten Molding Assistant (AIMA) entwickelt – eine Softwarelösung, die maschinelles Lernen nutzt, um Spritzgießprozesse mit minimalem manuellem Aufwand zu optimieren.

‍

Wichtige Elemente des Projekts:

• Erfassung experimenteller Daten: Importieren von Datensätzen aus ersten Experimenten oder Simulationen, die Maschineneinstellungen und die daraus resultierenden Qualitäts-Leistungskennzahlen (KPIs) enthalten.
• Training von ML-Modellen: Verarbeitung der Daten zum automatischen Training verschiedener ML-Modelle, die die komplexen Beziehungen zwischen Einstellungen und Produktqualität abbilden.
• Integration eines Optimierungsmoduls: Nutzung der trainierten Modelle in einem Modul, das anhand gewichteter Qualitätsziele die optimalen Maschinenparameter ermittelt.
• Anwendung für die Qualitätsvorhersage: Verwendung der ML-Modelle zur Vorhersage der Komponentenqualität für neue, noch nicht getestete Maschineneinstellungen, wodurch weitere kostspielige Experimente vermieden werden.

Dadurch lassen sich mit dem KI-gestützten Assistenten optimale Maschinenparameter wesentlich schneller und effizienter ermitteln. Die Software vereinfacht und standardisiert den Optimierungsprozess, senkt die Hürden für den Einsatz statistisch fundierter Methoden und unterstützt so eine breitere Anwendung innerhalb des Unternehmens.

‍

Erfahren Sie mehr über AIMA

‍

Wenn RFIs/RFQs ausgefüllt werden müssen, ist dies mit einem sehr zeitaufwändigen Hin und Her zwischen verschiedenen Personen wie Fachexperten, Kundenbetreuern und dem Kunden selbst verbunden. Wir haben eine LLM-basierte Lösung für einen Anbieter medizinischer Lösungen entwickelt, mit der RFIs und RFQs vorab ausgefüllt werden können. Der gesamte Workflow wurde optimiert, um die KI-Anwendung bestmöglich in den Prozess zu integrieren und den Nutzen zu maximieren.

‍

Wichtige Elemente des Projekts:

• Sammlung eines Datensatzes mit zuvor gestellten Fragen und den entsprechenden Antworten.
• Verarbeitung der Daten zur Erstellung eines Index, der die Suche nach ähnlichen Fragen und Antworten ermöglicht.
• Integration neuer Fragen aus RFIs/RFQs mit Kontext, der aus dem Index abgerufen wurde.
• Verwendung eines vortrainierten LLM zur Beantwortung neuer Fragen auf der Grundlage des abgerufenen Kontexts.

Dadurch können neue RFI-/RFQ-Formulare mit Hilfe der LLM-gestützten App viel schneller bearbeitet werden, da die Fragebögen vorausgefüllt werden können und nur noch einer abschließenden Überprüfung bedürfen.

‍

Gemeinsam mit dem Hong Kong Industrial Artificial Intelligence & Robotics Centre (FLAIR) haben wir in Zusammenarbeit mit verschiedenen Industriepartnern die folgenden KI-Lösungen entwickelt:

• Chatten Sie mit Ihrem Dashboard: LLM-basierte Chat-Anwendung, die Fragen zu den auf einem Dashboard visualisierten Daten beantworten kann. Zum Beispiel: Wie hoch war die durchschnittliche Gesamtanlageneffektivität (OEE) in der letzten Woche? Gab es in der letzten Stunde eine Anomalie für die Temperaturzone 1?
• KI-gestützte Ableitung von Produktionsparametern: Web-App , die das Training ausgewählter Modelle anhand von Daten aus einem Spritzgussprozess ermöglicht. Anschließend können die trainierten Modelle eingesetzt werden, um anhand der Einstellungen der Spritzgussmaschine KPIs zur Produktqualität vorherzusagen.
• Anleitung zur Wartung: LLM-gestützte Anwendung, die über ein allgemeines Verständnis von Verschleißkomponenten, deren Ausfallmodus, deren Ursachen und die entsprechenden Wartungs- und Instandhaltungsmaßnahmen verfügt, um das Wartungspersonal anzuleiten und zu unterstützen.  
• KI-Assistent für Automatisierungsingenieure in der Montage: LLM-basierte Chat-Anwendung, die Automatisierungsingenieuren dabei hilft, bei der Konzeption einer neuen Montagelinie die richtige Auswahl an Maschinen und Anlagen zu treffen.