Automatisierte Konsistenz im E/E Bereich

Wie können Unternehmen von Künstlicher Intelligenz profitieren, wenn es darum geht, die Konsistenz von Modellen zwischen OEM (Original Equipment Manufacturer, Hersteller von Originalteilen oder -komponenten für andere Unternehmen) und Zulieferern im Elektrik-/Elektronik-Bereich (E/E) sicherzustellen? Eine Möglichkeit ist die Nutzung von Machine Learning-Verfahren.

Was sind die Herausforderungen zwischen OEM und Zulieferern?

In der Regel werden Änderungen von Modellen bei OEMs und Zulieferern manuell vorgenommen. Beispielsweise entwickelt der OEM einen Kabelbaum für ein Produkt und gibt das Modell an einen Zulieferer weiter. Wenn der Zulieferer Änderungen am Modell vornimmt, muss auch der OEM das Modell manuell anpassen. Dadurch besteht die Gefahr, dass alte Versionen von Modellen verwendet werden und die Daten- und Dokumentenqualität sinkt. Eine automatisierte, konsistente Aktualisierung der Modelle könnte hier Abhilfe schaffen.

Wie kann KI in der Konsistenz im E/E Bereich unterstützen?

Ein Lösungsansatz ist die Verwendung von Merkmalsextraktion zum Auslesen der Modelle bei OEM und Lieferanten. Anschließend können Classifier (wie Support Vector Machines) oder Graph Similarity Algorithmen (wie Similarity Flodding) zum Abgleich der Modelle eingesetzt werden. Durch die Nutzung von KI-Methoden können Änderungen direkt und automatisiert kommuniziert werden und das Arbeiten mit alten Versionen von Modellen wird verhindert.

Die KI-Methoden kurz erklärt:

• Feature Extraction: Feature Extraction ist ein Verfahren, bei dem wichtige Merkmale oder Eigenschaften aus einem Datensatz extrahiert werden. Im beschriebenen Fall werden die Modelle von OEM und Lieferanten ausgelesen und wichtige Eigenschaften wie die Anordnung von Kabeln oder die verwendeten Bauteile werden extrahiert.
• Classifier: Classifier sind maschinelles Lernverfahren, die Daten in verschiedene Klassen oder Kategorien einteilen. Im beschriebenen Fall könnten Classifier verwendet werden, um zu bestimmen, ob zwei Modelle identisch sind oder nicht. Eine spezielle Art von Classifier, die im Text genannt wird, ist die Support Vector Machine (SVM). SVMs sind eine Art von Supervised Learning-Algorithmus, der zur Klassifikation von Daten verwendet wird.
• Graph Similarity Algorithmen: Graph Similarity Algorithmen sind Verfahren, die die Ähnlichkeit von Graphen (also von Netzwerken) messen. Im beschriebenen Fall könnten Graph Similarity Algorithmen verwendet werden, um die Ähnlichkeit von Modellen von OEM und Lieferanten zu bestimmen. Eine spezielle Art von Graph Similarity Algorithmus, die im Text genannt wird, ist der Similarity Flooding Algorithmus. Der Similarity Flooding Algorithmus vergleicht die Struktur von Graphen und versucht, ähnliche Strukturen zu identifizieren.

Die KI-unterstützte Konsistenz im E/E Bereich zwischen OEM und Zulieferern bietet erhebliche Vorteile in der Prozessperformance. Der E/E Bereich umfasst alle elektrischen und elektronischen Komponenten und Systeme, die in einem Produkt oder einer Maschine verwendet werden, wie z. B. Steuerungen, Sensoren, Aktoren und Leitungen. Im E/E Bereich werden auch die Software und die Firmware entwickelt, die für die Steuerung und Überwachung dieser Komponenten und Systeme erforderlich sind. Der E/E Bereich spielt somit eine wichtige Rolle bei der Entwicklung von Produkten und Maschinen und trägt maßgeblich zu deren Funktionsfähigkeit bei.

Allerdings ist der Aufwand für die Erstellung oder Nutzung von AP’s und die Ausarbeitung der Lösungssystematik nicht zu unterschätzen.

Für mehr Anwendungsbeispiele und individuelle KI-Lösungen für Ihr Unternehmen besuchen Sie unsere Plattform.

Zur Plattform