Wir haben bereits die Bedeutung von Logdateien bei Edge AI-Anwendungen für die Verbesserung der Ursachenanalyse und Risikobewertung in der Großserienfertigung untersucht. Wir haben erörtert, wie der strategische Einsatz von Log-Files in Kombination mit fortschrittlichen Technologien wie Sprachmodellen (LLMs) und Retrieval-Augmented Generation (RAG), die am Edge eingesetzt werden, ein tieferes Verständnis der Abläufe ermöglichen und damit eine proaktive, präzise und effiziente Problemlösung.
Jetzt gehen wir näher auf die Vorteile der Integration von Edge AI mit Log-Files ein. Wir zeigen, wie ein solches System bei der Einführung einer neuen Funktion zur weiteren Verbesserung von Genauigkeit und Effizienz zusammenarbeitet: Manuelles Lesen von Anlagenhandbüchern mit AI.
Die Bedeutung von Log-Files in der Fertigung
Die Bedeutung von Log-Files in der Fertigung Wie bereits erwähnt, sind Log-Files für die Erfassung detaillierter, mit Zeitstempeln versehener Informationen über Anlagenleistung, Systemfehler, Betriebsabweichungen und Wartungsprotokolle unerlässlich. Diese Dateien bieten eine umfassende Aufzeichnung des Betriebszustands von Anlagen und Prozessen und ermöglichen eine fundierte Entscheidungsfindung und proaktive Problemlösung.
Die Rolle von Edge AI in der industriellen Fertigung
Indem wir LLMs und RAGs an den Rand bringen, können wir Daten in Echtzeit verarbeiten, die Latenzzeit reduzieren und die Sicherheit erhöhen. Edge AI ermöglicht eine lokalisierte Verarbeitung, die eine schnellere Analyse und Entscheidungsfindung ermöglicht. Dieser Ansatz unterstützt auch Skalierbarkeit, Flexibilität und Anpassungsfähigkeit an verschiedene Betriebsgrößen.
Komponente Interaktion dieser Anwendung
Das folgende Interaktionsdiagramm zeigt die Interaktion von Docker-Containern und Datenbanken der gesamten Anwendung, die die Funktionen der Logfile-Analyse und des Equipment Manual Reader kombiniert. Dies bietet auch Flexibilität bei der Bereitstellung und Skalierbarkeit. Um Transfer Learning Edge Nodes mit ähnlichen “Skills” zu erreichen, sollen diese lernen und miteinander interagieren.
Einführung in das Lesen von Anlagenhandbüchern mit AI
Anlagenhandbücher enthalten wichtige Informationen über die Leistung, die Spezifikationen und die Betriebsparameter von Werkzeugen. Die manuelle Extraktion dieser Informationen kann jedoch zeitaufwändig und fehleranfällig sein. AI-gestütztes Lesen von Betriebsanleitungen bietet eine Lösung für diese Herausforderung.
Durch den Einsatz von AI-Modellen können wir automatisch relevante Informationen aus Anlagenhandbüchern, einschließlich SECS/Gem-Handbüchern, extrahieren, die kritische Daten- und Statusvariablen enthalten. Diese Variablen, wie z. B. DVID (Dynamic variable identification) und SVID (Status variable identification), sind für das Verständnis der Werkzeugleistung und die Optimierung der Produktionsprozesse unerlässlich.
Technische Aspekte des Anlagenhandbuchs Lesen mit AI
Um ein effektives AI-gestütztes System zum Lesen von Handbüchern zu entwickeln, müssen wir die folgenden technischen Herausforderungen bewältigen:
- Dokumentstruktur und Benennungskonventionen: Anlagenhandbüchern fehlt es oft an einer klaren Datenstruktur, und die Namen der Dokumente spiegeln ihren Inhalt möglicherweise nicht genau wider. Um diese Herausforderung zu meistern, können wir Techniken der natürlichen Sprachverarbeitung (NLP) einsetzen, um Dokumententitel und -inhalte zu analysieren und relevante Informationen zu identifizieren.
- Versionskontrolle: Handbücher werden versioniert, und Aktualisierungen enthalten möglicherweise nicht immer alle ursprünglichen Dokumente. Um diese Herausforderung zu bewältigen, können wir Versionskontrollsysteme verwenden, um Änderungen und Aktualisierungen von Handbüchern zu verfolgen und sicherzustellen, dass das AI-Modell auf den neuesten und relevanten Informationen trainiert wird.
- Fehlende Dokumentation: Für ältere Tools ist möglicherweise keine Dokumentation verfügbar, so dass alternative Methoden zur Datenextraktion erforderlich sind. In solchen Fällen können wir Algorithmen des maschinellen Lernens einsetzen, um fehlende Informationen anhand von Mustern und Trends in den verfügbaren Daten vorherzusagen.
AI-Modelle für das Lesen von Anlagenhandbüchern
Mehrere AI-Modelle können für das manuelle Lesen von Anlagen verwendet werden, darunter:
- OCR-Modelle: Textextraktion mit Open-Source-OCR-Lösungen wie Tesseract, OCRopus und GOCR. Diese Modelle können trainiert werden, um relevante Informationen aus Anlagenhandbüchern zu erkennen und zu extrahieren.
- Transformator-Modelle: LLMs wie Aryn/deformable-detr-DocLayNet für die Extraktion von Dokumentinformationen. Diese Modelle können für spezifische Anlagenhandbücher und -formate fein abgestimmt werden.
- NLP-Modelle: Spark NLP für große Sprachmodelle (LLMs). Diese Modelle können für das Verständnis natürlicher Sprache und die Informationsextraktion aus Anlagenhandbüchern verwendet werden.
- Python-Pakete: pypdf, python-docx, pandas und python-calamine zum Auslesen von Seiten aus PDF-, Word- und Excel-Dokumenten. Diese Pakete können zur Vorverarbeitung von Dokumenten und zur Extraktion relevanter Informationen verwendet werden.
In der folgenden Grafik sehen wir, wie dies bei der Arbeit mit Spark NLP aussehen würde.
Schlussfolgerung: Integration von AI-gestütztem Lesen von Anlagenhandbüchern mit Edge-AI und Log-Files
Durch die Integration von AI-gestütztem manuellen Lesen von Anlagenhandbüchern mit Edge AI und Log-Files können wir ein robustes System für die Fertigung schaffen, das proaktive, präzise und effiziente Problemlösungen ermöglicht. Dieser Ansatz unterstützt eine Kultur der kontinuierlichen Verbesserung und Innovation in den Fertigungsprozessen und sorgt so für mehr Betriebssicherheit, Produktqualität und Kosteneinsparungen. Für ein tieferes Verständnis nehmen Sie bitte Kontakt mit uns auf!
Für ein tieferes Verständnis nehmen Sie bitte Kontakt mit uns auf!
Content was presented at EEAI 2023 Conference . We are partner of EdgeAI Project. EdgeAI “Edge AI Technologies for Optimised Performance Embedded Processing” project has received funding from Chips Joint Undertaking (Chips JU) under grant agreement No 101097300. The Chips JU receives support from the European Union’s Horizon Europe research and innovation program and Austria, Belgium, France, Greece, Italy, Latvia, Netherlands, Norway.
