Daten sind die Basis für Effizienzsteigerung, Fehlervermeidung und mehr Wertschöpfung. SMT-Fertiger stehen dabei vor der Herausforderung, die Daten entsprechend erheben und analysieren zu müssen, um derartige Vorteile ausschöpfen zu können. Der MES-/MOM-Spezialist iTAC Software AG bietet dafür die iTAC.SMT.Edge. Diese Maschinenintegrationsplattform dient der Standardisierung und Zentralisierung von Daten. Die anschließende Datenanalyse in Echtzeit und Weiterverarbeitung übernimmt die Software iTAC.IIoT.Edge. Auf Basis der kombinierten Lösungen lassen sich unter anderem Machine Learning- und KI-Anwendungen umsetzen.
„In einer SMT-Fertigung gibt es Maschinen und Systeme unterschiedlicher Hersteller und verschiedenen Alters, die voneinander abweichende Kommunikationsmethoden nutzen. Dies erschwert den Datentransfer und die -analyse“, erklärt CEO Peter Bollinger und ergänzt: „Die Daten müssen zuverlässig an übergeordnete Systeme übermittelt werden. Unsere iTAC.SMT.Edge und iTAC.IIoT.Edge ermöglichen es, einfach die Daten aller SMT-Maschinen in Echtzeit zu erfassen, zu verknüpfen und zu analysieren.“
Analyse-Tools wie die iTAC.IIoT.Edge übernehmen unter anderem die Aufgabe, IIoT- mit MES-Daten zu flachen Datenstrukturen zu verbinden und diese Daten in Echtzeit zu analysieren. Dabei können die Datenpakete auch an andere vom Kunden eingesetzte Analyse- oder ML-/KI-Tools weitergeleitet werden.
KI-Algorithmen zur Überwachung und Analyse
Durch den Einsatz der beiden Edge-Lösungen als Bestandteile des MOM (Manufacturing Operations Management) lassen sich zahlreiche Use Cases für die fortschrittliche und digitalisierte SMT-Fertigung ausprägen. Zum Beispiel die Überwachung der Zykluszeit: KI-Algorithmen überwachen dabei auf intelligente Weise die Zykluszeit auf abnormales Geräteverhalten.
„In der Fertigung erfordert das Streben nach mehr Effizienz eine kontinuierliche Reduzierung der Zykluszeiten“, sagt Peter Bollinger, und fährt fort: „Durch die aktive Überwachung der Zeiten und den Einsatz von KI zur Erkennung von abnormalem Anlagenverhalten sowie der Alarmierung bei Abweichungen entstehen signifikante Zeiteinsparungen. Denn die Reaktionszeiten bei Problemen und damit einhergehend die Durchlaufzeiten verkürzen sich. Zudem ist eine gezielte, proaktive Problemlösung möglich.“
Ein weiterer Use Case kann die Reduzierung der AOI-Pseudofehler sein. KI-Algorithmen minimieren dabei die Pseudofehlerzahl von automatischen Prüfgeräten. Denn die meisten SMT-Linien mit AOI haben mit einer hohen Rate an Pseudofehlern zu kämpfen (30 bis 80%). Mit dem Einsatz von KI kann mit einer hohen Zuverlässigkeit zwischen echten Defekten und falschen Aufrufen unterschieden werden. Der Bedarf an manueller Prüfung und der damit verbundene Zeit- und Kostenaufwand reduzieren sich um bis zu 60%. Es ergibt sich ein höherer Durchsatz bei gleichzeitiger Unterstützung der Null-Fehler-Produktion.
Auch können auf Basis der Lösung KI-Algorithmen die verbleibende Nutzungsdauer von Geräten zu Gunsten von Predictive Maintenance berechnen. Durch die Überwachung der Maschinenzustandsdaten können KI-Algorithmen Probleme oder sich anbahnende Anlagefehler vorhersagen, um zum Beispiel rechtzeitig Maschinenreparaturen zu ermöglichen oder die Restnutzungsdauer zu schätzen.
Dies sind nur drei von zahlreichen möglichen Szenarien, mit denen sich Effizienzsteigerungen, Kosteneinsparungen sowie Digitalisierungsvorsprünge in der SMT-Fertigung erzielen lassen.
