Künstliche Intelligenz

So optimiert Swarovski seine Prozesse

Der Tiroler Kristallhersteller Swarovski nutzt beim Beschichtungsprozess neue Methoden der Datenanalyse – und bald auch KI.

Es ist ein Konsortium mit namhafter Industriebeteiligung: Im FFG-Projekt COGNITUS arbeiten AIT, Fraunhofer Austria, LineMetrics, Spar und Swarovski am Einsatz von Datenanalyse-Methoden für die Optimierung von Produktionsprozessen. Spar nutzt die Datenanalyse für die Optimierung der Intralogistik. Bei Swarovski liegt der Fokus auf dem Erreichen einer sehr engen Farbverteilung am Endprodukt beim Kunden. Und damit ist das Unternehmen an der steten Optimierung eines besonderen Beschichtungsprozesses interessiert – nämlich jenem, bei dem Kristalle durch Aufdampfen von bis zu 15 farbgebenden Schichten im Aufdampfkessel oder mittels Kathodenzerstäubung in einer Sputteranlage ihre erwünschte Erscheinung erhalten.

Optimal eingespielt ist dieser Vorgang, der in der Regel 30 bis 90 Minuten dauert und dem hunderte selbstentwickelte und perfektionierte Rezepturen zugrunde liegen, im Werk Wattens allemal. Aber noch nicht zur Gänze ausgereizt. Dank der Projektrealisierung können nun bei der Entwicklung von Farbeffekten völlig neue Wege beschritten werden. Das Ziel: eine auf Anhieb perfekte Farbverteilung, die ein Nachsortieren nicht mehr erforderlich macht.

Lösungen zur automatisierten Farbkontrolle

Im Projekt machten sich die Experten von Swarovski deshalb mit Fraunhofer Austria unter Projektkoordination des AIT daran, an Lösungen zur softwaregestützten, automatisierten Farbkontrolle zu arbeiten. Der Fortschritt im noch bis September nächsten Jahres laufenden Projekt kann sich sehen lassen: Fast drei Dutzend Sensoren zeichnen beim Vakuumbeschichten und ihren dazugehörigen 200 bis 300 Produktionschargen täglich Messwerte auf, ein Algorithmus setzt diese mit dem Parameter Farberscheinung sowie Produktionstrends in Verbindung. All das, bevor die top geschulten Mitarbeiter der Qualitätssicherung jeden Kristall mit freiem Auge auf Abweichungen von der Farbskala prüfen.

White Paper zum Thema

Punktgenaues Reinigen des Kessels

Wie es zu den gelegentlichen Abweichungen in der Farbverteilung überhaupt erst kommt? Durch Abscheiden im Aufdampfkessel kommt es zur Mitbeschichtung seiner Wände. Mit zunehmendem Beschichtungsgrad besteht die Gefahr, das Vakuum sukzessive schlechter zu erreichen. In der Regel wird der Kessel nach 100 Chargen komplett ausgebaut, die Bleche in Beize gereinigt und sandgestrahlt. Dank der nun verbauten Sensorik und der Algorithmik im Hintergrund kann Swarovski punktgenau zum richtigen Zeitpunkt reinigen und so die Kosten senken. Dokumentiert werden nun auch Parameter wie der für das Farbergebnis maßgebliche Vakuumdruck oder das Materialdampfverhalten. Liegt man außerhalb der Zielbereiche, regelt man in der Produktion sofort nach.

Sensor taktweise ausgelesen

Das Schöne am Projekt sei, mit „vergleichsweise einfachen Analysen schon so
viel aus Daten herauslesen zu können“, schildert Catherine Laflamme, wissenschaftliche Mitarbeiterin bei Fraunhofer Austria. So saugt der Kristallhersteller seit über einem Jahr aus sechs baugleichen Kesseln Maschinendaten ab und überträgt diese automatisiert in eine SQL-Datenbank. „Jeder Sensor wird zweimal pro Sekunde ausgelesen“, so die Expertin. Zusätzlich dokumentieren Maschinenbediener jede Charge. Seitens der Steuerungssoftware werden Operatoren übrigens schon grafisch am Frontend unterstützt – etwa durch Warnmeldungen oder die Information, wie viele weitere Zyklen zulässig sind oder bereits durchlaufen wurden. Das alles erreichen die Kristallexperten – ganz ohne Deep Learning – durch klare mathematische Vorgehensweisen und Linearzusammenhänge.

Neuronale Netze nächster großer Schritt

„Im nächsten Schritt folgen neuronale Netze“, schildert Daniel Bachlechner, Gruppenleiter Advanced Data Analytics bei Fraunhofer Austria und in Wattens stationiert. So will man die explorative Datenanalyse mittels klassischer statistischer Methoden und Werkzeuge wie Regression oder Korrelationsanalyse ummünzen in Prognosemodelle, denen künstliche Intelligenz zugrunde liegt. So wäre es hochinteressant, dank KI mehr darüber zu erfahren, wie sich der hochvariante Einsatz mehrerer Rezeptgruppen an ein- und derselben Anlage auf den Kesselzustand auswirkt. „Das könnte auch enorme Auslastungseffekte bringen“, heißt es von Swarovski. Daten halten jedenfalls verlässlich in die hauseigene Smart Data Platform Einzug. Alles, was dort gelernt wird, wird für den Konzern verdichtet.