Federated Learning : Prozessstabilität im Spritzguss durch gemeinsam lernende KI-Modelle
Aufgrund steigender Recyclatanteile sowie vielfältiger Maschinen- und Materialpaarungen bietet die Prozessstabilität im Spritzguss immer neue Optimierungspotenziale. Ein Hersteller möchte den Spritzguss-Prozess in Echtzeit analysieren, um Anpassungen für eine optimale Prozessgenauigkeit vorzunehmen. Um die Auswirkungen der unterschiedlichen Wirkpaarungen auf den Prozess zu analysieren, und um neue Optimierungspotentiale aufzudecken, kommt maschinelles Lernen direkt auf der Edge zum Einsatz. Jedoch sehen viele industrielle Anwender die Übertragung von sensiblen Prozessdaten aus der Fertigung. Andererseits verfügt ein einzelner Anwender nicht über ausreichend Prozessdaten zur KI- basierten Optimierung.
Eine Lösung dafür bietet das Unternehmen Katulu an. Die Idee ist, für jede Maschinen-Material-Paarung auf der Edge ein kundenspezifisches aber anonymisiertes KI-Modell zu berechnen. Katulu ermöglicht dem Maschinenhersteller mit Clustered Federated Learning die Automatisierung von vergleichbaren Maschinen- und Materialpaarungen über Unternehmensgrenzen hinweg, ohne dass sensible Daten geteilt werden.
In der Cloud werden die Paarungen anhand dieser Modelle gruppiert, so dass die Kohortenbildung letztlich auf allen verfügbaren Informationen wie Maschinentyp, Peripherie, Konfiguration, Material, Prozessdaten etc. basiert, ohne dass die sensiblen Informationen direkt verwendet werden. Hierdurch entstehen Modelle, die perfekt an die jeweilige Auslegung der Maschine angepasst sind. Der Einsatz auf der Edge ermöglicht eine intelligente und automatische Regelung des Spritzguss-Prozesses in Echtzeit, um Materialschwankungen auszugleichen und Ausschuss zu reduzieren.
Vorteile für Maschinenbauer der Kunststoff- und Gummitechnik:
Steigende Produktivität & reduzierte Losgrößen
Höhere Maschinenverfügbarkeit
Prozessstabilität erhöhen
Wissen nutzbar machen
Automatisches Gruppieren als Enabler von KI
Echte Datenhoheit