Reduzierung der Ausschussquote in Getränkeabfüllprozessen durch Künstliche Intelligenz
EINLEITUNG
Im Sortiment eines Getränkeherstellers, mit acht eigenständig geführten Betrieben, liegt der Fokus auf Mineralwässern, Erfrischungsgetränken und Fruchtsäften.
Beim Abfüllen der Mischgetränke hat ein integrierter Getränke-Mixer die Aufgabe, Sirup und Wasser auf Basis eines fest eingestellten Rezeptes zu vermengen und eine konstant bleibende Mischqualität zu gewährleisten.
Dieser Mixer ist darauf konzipiert, das Produkt am Produktausgang mit den geforderten Qualitätsparametern Brix (Massenverhältnis von Zucker und Wasser) und CO2-Gehalt (Kohlensäureanteil) bereitzustellen.
HERAUSFORDERUNG
Nach jedem Sortenwechsel wird die Anlage einer Reinigung mit Wasser unterzogen und vollständig gespült, sodass Restbestände der zuvor abgefüllten Getränke entfernt werden. Aufgrund dieses Spülvorgangs befinden sich Wasserrückstände in den Leitungen. Diese beeinflussen, vor allem im Anlaufprozess des darauffolgend abgefüllten Mischgetränks, die Qualität/Zusammensetzung in der Flasche. Infolgedessen darf der Getränkehersteller die ersten abgefüllten Flaschen einer Charge nicht zum Verkauf anbieten.
Zur Kontrolle der Getränkequalität finden gezielte Laboranalysen statt, aber auch regelmäßige externe Prüfungen, die im ungünstigen Fall eine Stilllegung der Maschine und hohe Produktionsausfallkosten verursachen.
Mithilfe von Künstlicher Intelligenz im Getränke-Mixer und -Füller sollen verschiedene Datenpunkte und Umwelteinflüsse analysiert und beobachtet werden, um eine Vorhersage hinsichtlich der Qualität in der abgefüllten Flasche zu liefern und die Ausschussquote dabei möglichst gering zu halten. Ziel ist es, die Regelung des Abfüllprozesses so zu unterstützen, dass möglichst ab der ersten abgefüllten Flasche einer Charge eine optimale Zusammensetzung der Qualitätsparameter gegeben ist und manuelle Nachregelungen der Abfüllanlage vermieden werden.
ZIELSETZUNGEN DES PROJEKTS
Beantwortung der Fragestellung: „Ist es möglich, auf Basis der Maschinendaten des Mixers, des Kurzzeiterhitzers (erhöht Haltbarkeit der Getränke) und des Füllers, ein mathematisches Modell zu entwickeln, welches die Qualitätsdaten/-parameter in der Flasche vorhersagen kann und somit die Ausschussquote möglichst niedrig ausfällt bzw. gegen 0 strebt?“
AKTUELLER PROJEKTSTAND
Mit der Auf- und Vorbereitung der vorliegenden Daten(-strukturen) in ein für Machine Learning geeignetes Format wurde die Basis für eine erfolgreiche Implementierung geschaffen. 96 der circa 400 verfügbaren und analysierten Datenpunkte/Sensoren stufte TIKI als relevant für die Vorhersage von Qualitätsdaten ein.
Deshalb entschied man sich für die Implementierung eines Binärklassifikators (1 oder 0 – gut oder schlecht). Über diesen erhält der Anlagen-Techniker Informationen über die Qualität der aktuellen Charge.
Zudem erfolgte der Aufbau einer Datenpipeline, welche Sensor- und Qualitätsdaten automatisch für das Modelltraining verarbeiten kann.
LANGFRISTIGE ZIELSETZUNGEN
Aktuell kann mit einer circa 70-prozentigen Sicherheit vorhergesagt werden, ob die Qualitätsmessung nach dem Füller gut oder schlecht sein wird (1 oder 0 / Binärklassifikator).
Langfristig wird durch die Integration eines automatischen Labors angestrebt, die Modell-Optimierung und das Training zu automatisieren, sodass das Mixer-Modell eine Aussage treffen kann, zu wie viel Grad das Mischverhältnis (Brix und CO2-Werte) angepasst werden soll, um den optimalen Betrieb aufrecht erhalten zu können.
Das Projekt befindet sich zum jetzigen Zeitpunkt in der Entwicklungsphase. Sobald die Implementierung erfolgt ist, wird ein Endbericht verfasst.