Agentische KI-Lösung zur Erkennung von Anomalien in der Fertigung

Über den Kunden

Unser Kunde ist ein mittelgroßer Hersteller von hochpräzisen Motorkomponenten für die Automobilbranche. Das Unternehmen betreibt mehrere CNC-Maschinen im 24/7-Betrieb und muss strenge internationale Lieferfristen einhalten, während es gleichzeitig die Produktqualität aufrechterhält und die Ausfallzeiten minimiert.

Herausforderung

Die Produktionslinie hatte 8-12 Stunden ungeplante Ausfallzeiten pro Monat aufgrund von plötzlichen CNC-Maschinenstopps ohne klare Ursache.

Dies führte zu:

verpassten Versandfristen und Vertragsstrafen
höheren Arbeitskosten durch ungeplante Überstunden
Unterbrechungen des eng getakteten Produktionsflusses

Der Kunde benötigte eine prädiktive Lösung, die frühzeitige Anzeichen von Geräteausfällen erkennen, menschliche Bediener benachrichtigen und kostspielige Unterbrechungen verhindern konnte, ohne dass zusätzlicher manueller Überwachungsaufwand anfiel.

Gelieferte Lösung

Wir haben ein agentisches KI-gestütztes System zur Erkennung von Anomalien entwickelt, das auf einer Manager/Worker-Architektur basiert, die der eines Produktionsleiters entspricht, der ein Team von Spezialisten beaufsichtigt:

Manager-Agent – steuert den Prozess und verteilt die eingehenden CNC-Maschinendaten an die passenden Worker-Agenten.
Worker-Agenten – agieren als konzentrierte Experten, die jeweils spezialisierte Tools zur Erkennung von Anomalien und zur Datenanalyse einsetzen.

Die Erkennungspipeline kombiniert zwei sich ergänzende Ansätze:

Vektorsuchdatenbank

Eingehende Sensormesswerte werden in Einbettungen umgewandelt und mit einer Bibliothek historischer Ausfallmuster verglichen, die in einer Vektordatenbank (Qdrant) gespeichert ist. Dadurch wird sichergestellt, dass jedes erneute Auftreten eines bekannten Problems sofort erkannt wird.

Temporales LSTM-Modell

Bei Problemen, die das System noch nicht gesehen hat, analysiert ein Deep-Learning-Modell (LSTM) Zeitreihendaten, um Frühwarnsignale für aufkommende Anomalien zu entdecken.

Die Ergebnisse beider Methoden werden zu einem einzigen Konfidenzwert zusammengeführt. Wenn Schwellenwerte überschritten werden, erhalten die Betreiber sofortige Benachrichtigungen über Slack oder E-Mail, so dass ein proaktives Eingreifen möglich ist, bevor es zu Ausfallzeiten kommt.

Ansatz für die Implementierung

Um sicherzustellen, dass das System robust, sicher und produktionsbereit ist, haben wir es mit einem modernen Cloud-Native-Stack implementiert:

Apache Kafka – verarbeitete Echtzeit-Datenströme von CNC-Maschinen zur KI-Engine.
OAuth2 mit JWT – erzwang sicheren Zugriff auf sensible Maschinendaten und Warnmeldungen.
Docker-Containerisierung – sorgte für Skalierbarkeit, Portabilität und eine reibungslose Integration in die bestehende Überwachungsumgebung des Kunden.
Zentralisierte Protokollierung und Überwachung (über Prometheus und Grafana) – sorgte für vollständige Transparenz bei Modellentscheidungen und Systemzustand.

Durch diese Kombination erhielt der Kunde ein System, das kontinuierlich lernt und sich nahtlos in den täglichen Betrieb integriert. Dies reduziert das Risiko von Ausfallzeiten und bildet die Grundlage für eine kontinuierliche Verbesserung des Betriebs.

Die Ergebnisse des Kunden

Die eingesetzte KI-Lösung:

beseitigte Ausfallzeiten bei allen bisher bekannten Fehlerszenarien, indem sie diese vorhersagte, bevor sie auftraten
ermöglichte eine proaktive Wartungsplanung und reduzierte Unterbrechungen in letzter Minute
schuf ein kontinuierlich lernendes System – das LSTM-Modell verbessert sich mit jedem neuen Fehlerfall und sorgt so für eine zukünftige Reduzierung der Ausfallzeiten
lieferte eine sichere, skalierbare und leicht wartbare Lösung, die in das bestehende Überwachungssystem des Kunden integriert ist