Advanced Analytics是首个面向油漆车间的市场AI应用。智能解决方案结合了最新的IT技术和机械工程专业知识，可以识别故障来源并确定最佳维护计划。它还跟踪以前未知的相关性，并使用自学习原理使算法适应植物。高级分析是最新的模块DXQ分析产品系列。第一个实际应用表明，来自Dürr的软件优化了植物可用性和涂漆体的表面质量。

为什么身体部位出现相同缺陷的频率异常高?最晚什么时候可以在不引起机器停机的情况下更换机器人中的搅拌机?准确的答案对于可持续的经济成功至关重要。因为可以避免的每一个缺陷或每一个不必要的维护程序都可以节省金钱或提高产品质量。“以前很少有精确的结论能够早期发现质量缺陷或故障。如果有的话，它们通常是基于艰苦的人工数据评估或试错尝试。人工智能(AI)使这一过程更加准确和自动化，”Dürr的MES和控制系统副总裁Gerhard Alonso Garcia解释道。

新的自学习高级分析工厂和过程监控系统增加DXQ分析。来自Dürr的数字产品系列已经包括用于获取生产数据的数据采集模块，用于可视化的视觉分析和流分析。后者允许工厂操作人员使用低代码平台接近实时地分析生产中是否存在与先前定义的规则或目标值的偏差。

拥有自己内存的人工智能应用

高级分析的特别之处在于，该模块将包括历史数据在内的大量数据与机器学习相结合。从形象的意义上讲，这意味着自我学习的AI应用程序具有内存。这意味着它可以使用来自过去的信息来识别大量数据中的复杂相关性，并根据机器的当前状况以高度的准确性预测未来的事件。在油漆车间中，无论是在组件、工艺还是工厂层面，都有多种应用。

预测性维护减少了工厂停机时间

当涉及到组件时，Advanced Analytics通过预测维护和维修信息减少停机时间;例如，通过预测搅拌机的剩余使用寿命。如果过早更换部件，会增加不必要的备件成本和维修开销;另一方面，等待太长时间来更换组件可能会导致涂层和机器停机期间的质量问题。高级分析首先使用高频机器人数据学习磨损指标和磨损的时间模式。由于数据是连续记录和监控的，机器学习模块根据实际使用情况单独识别各自组件的老化趋势，并计算出最佳更换时间。

机器学习模拟连续温度曲线

高级分析通过识别异常(例如通过模拟烤箱中的加热曲线)来提高工艺级别的质量。到目前为止，制造商只有在测量过程中传感器确定的数据。然而，对车身表面质量至关重要的加热曲线会在两次测量之间的间隔时间内发生变化，因为烘箱老化。这种磨损引起环境条件的波动，如气流的强度。“如今，成千上万的尸体被制造出来，而我们却不知道每具尸体被加热到什么温度。通过机器学习，我们的高级分析模块模拟了温度在不同条件下的变化。这为我们的客户提供了每个个体身体质量的永久证明，并让他们识别异常，”格哈德·阿隆索·加西亚说。

更高的首跑率提高整体设备效率

在植物水平上DXQ工厂。分析软件与高级分析模块一起使用，以提高设备的整体效率。人工智能可以追踪系统缺陷，例如在模型类型、特定颜色或个别身体部位出现的重复质量缺陷。这样就可以得出生产过程中的哪一步是导致偏差的原因。这种缺陷和原因相关性使得允许在非常早期的阶段进行干预，从而有可能提高首次运行率。

植物和数字专业知识的巧妙结合

开发支持人工智能的数据模型是一个非常复杂的过程。机器学习不是通过将不确定数量的数据输入“智能”算法，然后由算法吐出智能结果来工作的。相反，必须收集相关(传感器)信号，仔细选择，并补充来自生产的结构化额外信息。通过Advanced Analytics, Dürr开发了一款支持不同使用场景的软件，为机器学习模型提供了运行时环境，并启动了模型训练。“挑战在于没有普遍有效的机器学习模型，也没有我们可以使用的合适的运行时环境。为了能够在工厂层面使用人工智能，我们将我们在机械和工厂工程方面的知识与数字工厂专家的知识相结合。这导致了油漆车间的第一个人工智能解决方案，”格哈德·阿隆索·加西亚解释道。

跨学科知识要求

高级分析是由数据科学家、计算机科学家和过程专家组成的跨学科团队开发的。Dürr与几家领先的汽车制造商合作。这使得开发人员可以访问生产中的实际生产数据和不同应用程序的测试站点环境。最初，算法在实验室中使用大量的测试用例进行训练。接下来，算法在实际操作中继续进行现场学习，并自主适应环境和使用条件。最近成功完成了测试阶段，展示了人工智能的潜力。