PSI setzt bei der Industriellen Intelligenz auf Lösungen, die die Verlässlichkeit und die Robustheit industriellen Prozesswissens mit dem gesamten Methodenspektrum der Künstlichen Intelligenz (KI) kombinieren.
Die Stabilität der Lösungen ist durch die industriell erprobte PSI-Softwaretechnologie und durch das PSI-Framework gesichert. Insgesamt hat PSI über 50 verschiedene KI-Verfahren geliefert, die dauerhaft betreut und produktiv eingesetzt werden.
Nachfolgend finden Sie Informationen zu einer Auswahl von PSI-Lösungen, die auf unseren langjährigen praktischen KI-Erfahrungen basieren: Künstliche neuronale Netze, Erweiterte Fuzzy-Logik, Kombinatorische Optimierung und Advanced Industrial Engineering.
Industrieunternehmen setzen Künstliche Intelligenz ein, um entscheidende Wettbewerbsvorteile zu erzielen.
Asset Optimierung mit intelligenten Prognoseverfahren (maintenance Online Days 2021)
KI? Das kann auch der Mittelstand! (INDUSTRY.forward EXPO 2021)
Grüne KPIs und intelligente Optimierung - Nachhaltigkeit in Geschäftsprozessen (Hannover Messe 2021 - Digital Edition)
Mit Hilfe von maschinellem Lernen und neuronalen Netzen werden Netzlasten und Einspeisung regenerativer Energien prognostiziert. Sie dienen den vorausschauenden Netzberechnungen als wichtige Eingangsdaten. So können die zukünftigen Herausforderungen an die Netzführung schon heute effizient und sicher gemeistert werden.
Zur optimierten Produktionssteuerung von Prozessen in der Reifenindustrie werden mit Methoden der künstlichen Intelligenz die für die automatische Bilderkennung notwendigen Test- und Validierungsdaten gelernt. Die Genauigkeit der Klassifikation liegt bei über 99 Prozent. Manuelle Eingriffe in den Produktionsablauf werden reduziert und die Qualität wird konstant gesichert.
Durch den Einsatz neuronaler Netze wird die automatische Gepäckstückerkennung auf Basis hochaufgelöster Bilder aus mehreren Überwachungskameras optimiert. Die Erkennung in Echtzeit und die Gepäckstückverfolgung während der gesamten Gepäckbeförderung ist in hoher Qualität gewährleistet. So werden z. B. Beschädigungen automatisch erkannt und protokolliert.
Bei der wertschöpfenden Prozessdatenanalyse durch Deep Qualicision werden maschinell aus historisierten Daten mittels des Qualitativen Labelns Datenzusammenhänge für die vorausschauende Steuerung sowie Optimierung der Geschäftsprozesse gelernt.
Erweiterte Fuzzy-Logik optimiert Kennzahlen-gestützte Produktionsprozesse bei dynamischen Zielvorgaben und sicherer sowie unsicherer Informationslage. Die Vorteile der Optimierung sind z. B. Kosteneinsparungen durch Reihenfolgenbildung mit flexiblem Ressourceneinsatz, das Ausbalancieren von Zielkonflikten und die Reaktionsfähigkeit in Echtzeit.
Erweiterte Fuzzy-Logik ist Industrie 4.0-kompatibel und offen für die flexible Steuerung von Prozessen fernab fester physischer Strukturen, ob im Bereich des Field-/Workforce-Managements, der vorausschauenden Instandhaltung oder der agilen Produktion mit Fahrerlosen Transportfahrzeugen für die modulare Fertigung mit PSI Schwarmfertigung (aus dem BMWi-Projekt SMART FACE).
Die KI-Realzeitoptimierung verbindet die multikriteriellen Optimierungsanforderungen sowohl des Linienbetriebs auf der Straße aus der Perspektive der Personenbeförderung als auch aus der Wirtschaftlichkeitsperspektive des Depots. Insbesondere der Realzeitaspekt der Optimierung, die sich dynamisch auf die jeweils aktuelle Situation selbsttätig mittels Zielkonfliktanalyse einstellt, macht hier die Vorteile der Erweiterten Fuzzy Logik als KI-Methode aus.
Erweiterte Fuzzy-Logik unterstützt Infrastrukturbetreiber beim Management von Verkehrsflüssen und sorgt für den optimalen Betrieb für alle Verkehrsteilnehmer. Zielkonflikte werden nach vorgegebenen Kennzahlen ausbalanciert. Instandhaltungsmaßnahmen können geplant werden und reibungslos in das Management der Verkehrsnetze einfließen.
Erweiterte Fuzzy-Logik optimiert die Lagerhaltung und den Transport von Waren. Zielkonflikte zwischen definierten Kennzahlen werden erkannt und ausbalanciert. Lieferkosten werden gesenkt und die Verpackungslogistik wird vereinfacht.
Das System SASO ermittelt vorausschauend Vorschläge zur Beseitigung aktueller und erwarteter Störungen im Transport- oder Verteilnetz, die auf Basis von Fuzzy Logik bewertet werden und somit die Grundlage für optimale Entscheidungen bilden. SASO kann damit zu einem selbstlernenden System, einer Art Netz-Autopilot, ausgebaut werden.
Erweiterte Fuzzy-Logik optimiert halb- oder vollautomatisch alle Prozesse im Depot von Verkehrsbetrieben. Dazu gehört die Wegeoptimierung sowie die Fahrzeugpositionierung und -verfolgung. Die flexible Konfiguration aller Dispositionskriterien sorgt für eine verbesserte Fahrzeugwartung unter Einhaltung der erforderlichen Fahrzeugqualität.
Die KI-basierte Geschäftsprozessoptimierung bewertet durch Qualitatives Labeln multikriteriell Maschinendaten und empfiehlt vorausschauend Wartungsmaßnahmen (Predictive Maintenance). Damit wird die Maschinenverfügbarkeit erhöht, die Planungssicherheit gesteigert und die Gesamtbetriebskosten werden gesenkt.
Kombinatorische Verfahren optimieren die Produktions- und Reihenfolgeplanung in der Stahl- und Aluminiumindustrie. Vorteil dieses Verfahrens ist die Auflösung konkurrierender Ziele im Sinne übergeordneter Strategien unter Berücksichtigung anlagenspezifischer Vorgaben (z. B. maximale Auslastung bei gleichzeitiger Einhaltung von Lieferterminen). Dabei erlauben vordefinierte KPIs die notwendige Dynamik, um auf sich verändernde Vorgaben reagieren zu können.
Verschiedenste kombinatorische Verfahren unterstützen bei Supply-Chain-Optimierungen z. B. bei der optimalen Standortauswahl für Logistikzentren. Mehrere Auswahlkriterien werden berücksichtigt und als Ergebnis wird die kostengünstigste Lösung ermittelt. Die Verfahren sind skalierbar und wiederverwendbar.
Durch Verfahren des Advanced Industrial Engineering lassen sich z. B. die erforderlichen Gasmengen zur Erfüllung von Gaslieferverträgen vorhersagen und sicherstellen. Optimierungsverfahren im Betrieb von Kompressoren und Anlagen führen zu Kosteneinsparungen und zur Reduzierung des CO2-Ausstoßes.
Für die Zeitreihenvorhersage werden Methoden des aIE auf der Basis von Machine-Learning-Algorithmen eingesetzt. Die Vorhersagen der Energieauslastung und Energieerzeugung sind dank der Anwendung von künstlichen neuronalen Netzen und anderen Machine-Learning-Methoden mit bisher unerreichter Genauigkeit verfügbar. Die qualitativ hochwertigen Prognosen sorgen für reale Geschäftsvorteile und unterstützen die Prozesse im Energiehandel deutlich.
Mit PSIgasguide werden mit vorgegebenen Randwerten und unter Verwendung von Bewertungskriterien optimale Fahrweisen für einen sicheren Betrieb von Gasnetzen zielgerichtet gefunden. Im ersten Schritt werden auf Grundlage zukünftiger Gastransportmengen potenzielle Fahrweisen ermittelt. Im zweiten Schritt wird eine Rangfolge aufgestellt, indem unterschiedliche Kriterien in einem multikriteriellen Entscheidungsprozess bewertet werden. Aus der Reihenfolge kann ein Dispatcher seine Entscheidung ableiten.
Geschäftsführer PSI FLS Fuzzy Logik & Neuro Systeme GmbH
felix@fuzzy.de
www.qualicision.de
Unsere Kunden profitieren bereits jetzt – einige sogar seit mehreren Jahren – von Methoden und Verfahren der Künstlichen Intelligenz im anspruchsvollen industriellen Einsatz.
Durch die Kombination mit Verfahren wie Erweiterter Fuzzy-Logik, dem Operations Research und dem Advanced Industrial Engineering werden die Einschränkungen einzelner Verfahren umgangen und daraus performante Lösungen für industrielle Anwendungen entwickelt.
Das KI-Framework basiert auf der bewährten PSI-Technologieplattform.
Die Plattform Lernende Systeme vereint Expertise aus Wissenschaft, Wirtschaft und Gesellschaft, um Deutschland international als Technologieführer für Lernende Systeme zu positionieren. Sie versteht sich als ein Ort des Austauschs und der Kooperation.
Lernende Systeme – Die Plattform für Künstliche Intelligenz
PSI engagiert sich in der Arbeitsgruppe Mobilität und intelligente Verkehrssysteme.
