WO2025149232A1 - Verfahren und system zur analyse und ausgabe von daten einer maschinenlinie - Google Patents

Verfahren und system zur analyse und ausgabe von daten einer maschinenlinie

Info

Publication number
WO2025149232A1
WO2025149232A1 PCT/EP2024/084389 EP2024084389W WO2025149232A1 WO 2025149232 A1 WO2025149232 A1 WO 2025149232A1 EP 2024084389 W EP2024084389 W EP 2024084389W WO 2025149232 A1 WO2025149232 A1 WO 2025149232A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
llm
machine line
machine
line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2024/084389
Other languages
English (en)
French (fr)
Inventor
Michael Beyer
Wolfgang Roidl
Markus Zoelfl
Thomas Kellhammer
Philipp Olenberg
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Krones AG
Original Assignee
Krones AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Krones AG filed Critical Krones AG
Publication of WO2025149232A1 publication Critical patent/WO2025149232A1/de
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31282—Data acquisition, BDE MDE

Definitions

  • the invention relates to a method and a system for analyzing machine data and for outputting data from a machine line, in particular in a machine line for filling and packaging food and/or beverages, and to a machine line.
  • a typical filling and packaging system typically comprises a variety of different machines and modules connected by conveyor belts.
  • the units such as bottles, cans, pallets, containers, or similar, are transported from one machine to the next, passing through the individual machines on the line in a predetermined sequence.
  • This data can contain important information about performance, availability, wear, maintenance, OEE, and the operating status of the machine line, among other things. Effective use of this data can help increase productivity, optimize maintenance, minimize downtime, minimize energy and media consumption, and improve the quality of the products produced.
  • This data can, for example, present historical production data in a report, allowing users to analyze downtimes and errors and draw conclusions for production optimization.
  • the information provided is often made available to users via a web portal. This allows users to access the desired information and prepared statistics, graphs, tables, or other data to obtain the information they are looking for via the web portal.
  • the user is often forced to navigate through a large amount of generic data to find the information relevant to their specific needs.
  • Figure 3 an exemplary flow chart for a method for
  • Figure 4 an exemplary plant configuration for PET containers
  • Figure 5 an exemplary plant configuration for PET containers
  • Figure 6 an exemplary system configuration for cans or glass bottles
  • Figure 7 an example system configuration for cans.
  • FIG. 1 is a diagram showing an overview of the essential elements and basic structure of the invention.
  • These essential elements include a machine line 100, an analysis module 110, and a user interface 120 in the analysis module 110, via which a user 130 can interact with the analysis module 110 and, if appropriate, also with the machine line 100.
  • the machine line 100 may, for example, be a machine line for filling and packaging food and/or beverages, but is not specifically limited to such a line.
  • Various exemplary embodiments of such a machine line 100 are shown and explained in Figures 4 to 7.
  • the analysis module 110 may be a single server, but may also consist of one or more computing devices that are communicatively connected directly or indirectly. As described in more detail below, the analysis module 110 may include a large language model (LLM) 200 and provide an interface between the LLM and a user interface 120. The analysis module 110 may be communicatively connected directly or indirectly to the machine line 100, such as via the data interface 125 of the analysis module 110. In some embodiments, an internet connection may exist between the analysis module 110 and the machine line 100, or there may be a direct communication connection.
  • LLM large language model
  • the user 130 can now interact with the LLM 200" and send requests to the LLM 200" via the user interface 120 to receive requested data from the LLM 200".
  • the method 300 begins with step S302, in which a large language model is implemented on the server 110.
  • the implementation may include the implementation of a specific general language model that is optimized for a specific language (English, German, French, Spanish, Chinese, etc.) or that supports multiple languages.
  • a specific context for the LLM is defined.
  • the specific context may specify a restriction on an output of the LLM.
  • the specified restriction may restrict at least one of the following: a form, a structure, a used information source, and a level of detail of the output of the LLM.
  • the context may be defined and entered into the model by a manufacturer of the machine line 100, an operator of the online service, or another entity.
  • the specific context may further include a user-specific context and/or instructions for calculating key figures.
  • a database for the LLM is determined, which includes status data and data from the machine line 100.
  • the status data can include directly collected or calculated key figures, sensor data, and/or machine data.
  • Similar machine lines can mean, for example, that data from machine lines (including lines distributed across the globe) are used that match the machine line in at least one defined criterion, as described above.
  • the state data may be from one or more specific time periods. In an optional sub-step to S306, this state data may be preprocessed.
  • the preprocessing of the state data may comprise at least one of the following operations: (i) converting one or more values in the state data into one or more suitable units that can be processed by the LLM, (ii) calculating ratios, (iii) restructuring multidimensional data sets, (iv) aggregating data, and/or (v) adding data context to the data.
  • a user request for creating requested information regarding machine line 100 is received via user interface 120.
  • the user request from user 130 may be a request that the LLM display and list all identified downtimes within the last week, with a further request that the reasons for each downtime be stated. This request is only an example.
  • the user request is then entered into the LLM in step S310 and processed by the LLM in step S312 based on the specified specific context and based on the status data to determine the requested information from the status data.
  • the requested information may, for example, include benchmark information based on other (e.g., similar) machine lines and/or may include external data 150.
  • the requested information is provided by the LLM.
  • the provision may include forwarding the requested information to the user 130 from whom the user request originates, thus ending the method 300.
  • the provision of the requested information by the LLM may Further, it may include providing information about one or more sources used by the LLM to determine the requested information.
  • the information about the one or more sources may appear textually and be selectable by the user 130 and linked to the respective sources. For example, the user may click on the source and, in addition to the LLM's response, be taken to the database that serves as the basis for the LLM's answer to the question.
  • the embodiments also serve the purpose of comparing similar lines and establishing benchmarks between any machine lines, in particular filling and packaging lines (worldwide).
  • FIG 4 shows an exemplary system configuration 1000 for PET bottles or PET containers and adhesive packs.
  • the system configuration 1000 comprises various modules that form a line, at the end of which finished PET containers are dispensed in the form of a pack on pallets.
  • Some of the modules and machines may be optional, and the invention is not limited to the exact form and arrangement of the system configurations.
  • the system configuration 1000 comprises an oven 1002 for preforms, a preform sorter with a feeding machine 1004, and a blow molding machine 1008.
  • the modules 1002, 1004, and 1008 generally form a stretch blow molding machine in which PET containers are produced and formed from a starting material.
  • the produced PET containers are passed on to a filler 1010, where the bottles are filled.
  • the filler can optionally include a rinser.
  • Various particles such as dust, cardboard, or remnants of wooden pallets can settle in the preforms during storage or transport. These can be removed with the rinser.
  • a closer can be arranged at the end of the filler, by means of which the PET containers are closed after filling.
  • the system configuration 1000 can include a rotating device downstream of the filler 1010, which is used for hot filling of the PET containers.
  • a rotating device downstream of the filler 1010 which is used for hot filling of the PET containers.
  • the filled PET containers are conveyed to a separator 1020 and then to a drying device 1024, in which the PET containers are dried.
  • the labeling machine 1026 can be designed for various labeling techniques, such as labeling using hot melt, cold melt, self-adhesive labels, or sleeves.
  • the PET containers After the PET containers have been printed or labeled, they are conveyed through a second drying device 1028, a line distributor 1030, conveyor belts 1032, an adhesive pack production line 1034, and a curing section to a handle applicator.
  • the adhesive pack production line 1034 the PET containers are grouped into specific group sizes and packaged into a pack, such as a "six-pack.”
  • a carrying handle is attached to the pack, which allows for comfortable carrying of the pack.
  • format trolleys or format racks can be arranged on various modules and machines to provide quickly interchangeable format sets for short changeover times and automatic tool changes.
  • format trolleys are format trolley 1006 for blow molding machine 1008, format trolley 1012 for filler 1010, format trolley 1022 for labeling machine 1026, format trolley 1038 for adhesive pack production 1034, and format trolley 1046 for palletizer 1044.
  • FIG. 5 shows another exemplary system configuration 1100 for PET containers and shrink packers.
  • System 1100 from Figure 10 includes many of the modules and machines from system configuration 1000 from Figure 4, but there are some differences. Therefore, the description of the modules already described in connection with Figure 4 is omitted for Figure 10.
  • a key difference between the two exemplary system configurations 1000 and 1100 is that the labeling machine 1126 with the labeling modules 1127 can be installed downstream of the blow molding machine 1008 and upstream of the filler 1008.
  • the system configuration 1100 can comprise six transport lanes 1150 into which the PET containers can be pushed. After the PET containers have pushed into one of the six lanes 1150, they are conveyed into the film wrapping module 1152 and then into the shrink tunnel 1154.
  • Figure 6 shows an example system configuration 1200 for cans or glass bottles.
  • the example system configuration 1200 from Figure 6 again has some similarities to the system configurations 1000 and 1100 from Figures 4 and 5, and the description of the system configuration is therefore limited to the differences between the system configurations.
  • the exemplary system configuration can include two separate feeders.
  • a first feeder on the left in Figure 6, shows a branch for cans or, optionally, a partial branch for new, reusable bottles.
  • the containers i.e., cans or new bottles, are fed into the machine by a depalletizer 1302, where they are guided via conveyor belts to the filler 1010.
  • a second feeder on the right in Figure 6, shows a partial branch for reusable bottles, which are fed into the system by a reusable sorting system (not shown).
  • Figure 7 shows an exemplary system configuration 1300 for cans, in which the elements already described in the other system configurations are again omitted.
  • the cans in system configuration 1300 are fed into the depalletizer 1302 from a magazine 1402 containing cans. After passing through the filler and being filled, the cans are closed by means of a closure magazine 1404 and transported further along the system 1400 via the conveyor belts, as described above.
  • the optional pasteurizer 1408 can be bypassed via the bypass 1412 if it is not required. In the pasteurizer 1408, the freshly filled products can be pasteurized for preservation.

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Eine Ausführungsform der Erfindung betrifft ein Verfahren und ein System zur angepassten Ausgabe von Daten einer Maschinenlinie, insbesondere in einer Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken. Die Maschinenlinie umfasst eine Vielzahl von Maschinen. Ein Large-Language-Model, LLM, wird auf einem Analyse-Modul implementiert. Für das LLM wird ein spezifischer Kontext festgelegt, welcher eine Einschränkung einer Ausgabe des LLM festlegen kann. Eine Datenbasis wird für das LLM festgelegt, welche Zustandsdaten und Daten der Maschinenlinie umfassen. Die Datenbasis kann in Ausführungsformen auch Daten von ähnlichen Maschinenlinien und/oder Daten eines externen Ökosystems umfassen. Nach Einrichtung des LLM können über eine Benutzerschnittstelle Benutzeranfragen zur Abfrage von angeforderten Informationen bezüglich der Maschinenlinie empfangen werden. Die Benutzeranfrage wird in das LLM eingegeben und durch das LLM basierend auf dem festgelegten spezifischen Kontext und basierend auf der Datenbasis verarbeitet, um die angeforderten Informationen zu ermitteln.

Description

Verfahren und System zur Analyse und Ausgabe von Daten einer Maschinenlinie
Die Erfindung betrifft ein Verfahren und ein System zur Analyse von Maschinendaten und zur Ausgabe von Daten einer Maschinenlinie, insbesondere in einer Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken, und eine Maschinenlinie.
Heutige Abfüll- und Verpackungsanlagen in der Getränke- und Flüssignahrungsmittelindustrie sind hoch optimiert und verarbeiten bis zu 120.000 Einheiten pro Stunde. Eine typische Abfüll- und Verpackungsanlage umfasst typischerweise eine Vielzahl verschiedener Maschinen und Module, die über Transportbänder miteinander verbunden sind. Die Einheiten, wie beispielsweise Flaschen, Dosen, Paletten, Gebinde oder ähnliches werden dabei von einer Maschine zur nächsten transportiert und durchlaufen dabei die einzelnen Maschinen der Linie in einer vorgegebenen Reihenfolge.
Im Betrieb generieren solche Maschinenlinien eine erhebliche Menge an Daten. Diese Daten können wichtige Informationen u.a. über die Leistung, Verfügbarkeit, Verschleiß, Wartung, OEE und den Betriebszustand der Maschinenlinie enthalten und eine effektive Nutzung dieser Daten kann dazu beitragen, die Produktivität zu steigern, die Wartung zu optimieren, die Ausfallzeit zu minimieren, den Energie- und Medienverbrauch zu minimieren und die Qualität der produzierten Produkte zu verbessern. Diese Daten können beispielsweise historischen Produktionsdaten im Rahmen eines Berichts darstellen und Benutzer können so Stillstände und Fehler analysieren und Ableitungen für Produktionsoptimierungen treffen.
Andere Services bieten Benutzern die Möglichkeit, Sensorikdaten und Maschinendaten zu visualisieren, Überwachungen zu setzen, um Anomalien (wie z.B. ständig steigender Motorstrom) zu detektieren.
Bisher wurde diese Auswertung von Maschinendaten meist entweder manuell durchgeführt oder durch spezielle Auswertungssysteme automatisiert. Die manuelle Auswertung erfordert umfangreiche Kenntnisse und Fähigkeiten und ist in der Regel zeitaufwendig und fehleranfällig. Automatisierte Systeme können die Effizienz verbessern, aber ihre Fähigkeit, komplexe Analysen durchzuführen und die gewünschten Informationen eines Benutzers gezielt auszugeben, ist oft eingeschränkt bzw. ist oftmals ein hohes Experten- Wissen notwendig.
Zudem werden die bereitgestellten Informationen oft über ein Web-Portal den Benutzern zur Verfügung gestellt. Der Benutzer kann so zu den gewünschten Informationen und aufbereiteten Statistiken, Grafiken, Tabellen oder anderen Daten navigieren, um die gesuchten Informationen über das Web-Portal zu erhalten. Dabei ist der Benutzer jedoch oft gezwungen, durch eine große Menge an generischen Daten zu navigieren, um die für seine spezifischen Anforderungen relevanten Informationen zu finden.
Aufgrund der Vielzahl von Kundenanforderungen an Visualisierungen und Reports, werden viele Ressourcen in die Entwicklung solcher Dashboards und Front-Ends gesteckt, um die Flexibilität und Variantenvielfalt gewährleisten zu können.
Es ist daher erforderlich, eine effizientere Möglichkeit zur Verfügung zu stellen, um angepasste Informationen für einen Benutzer zur Verfügung zu stellen. Benutzer (auch mit wenig Experten-Wissen) wollen Informationen leicht verständlich dargestellt haben, wollen wissen, was wann schlecht lief, woran das gelegen hat und welche Maßnahmen ergriffen werden müssen, um die Maschinenlinie möglichst optimal und störungsfrei zu betreiben. Die Berichte und Dashboards aus dem Stand der Technik sind lediglich Mittel zum Zweck.
Es besteht daher Bedarf für verbesserte Systeme und Verfahren zur Analyse von Maschinendaten und zur angepassten Ausgabe von Daten einer Maschinenlinie. Des Weiteren besteht Bedarf für eine erweiterte Analyse von Daten, die neben Daten der Maschinenlinie auch weitere Datenquellen nutzt, die nicht primär Daten der Maschinenlinie umfassen.
Die Aufgabe wird erfindungsgemäß durch Verfahren gemäß Anspruch 1 , 5 und 8 und ein System gemäß Anspruch 9 gelöst. Ausführungsformen und Weiterbildungen sind in den Unteransprüchen erfasst.
Eine Ausführungsform der Erfindung betrifft Verfahren zur angepassten Ausgabe von Daten einer Maschinenlinie, insbesondere in einer Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken, sowie Pharma-Produkte (primär Verpackung). Die Maschinenlinie umfasst eine Vielzahl von Maschinen. Ein Large-Language- Model, LLM, wird auf einem Analyse-Modul implementiert. Für das LLM wird ein spezifischer Kontext festgelegt, weicher eine Einschränkung einer Ausgabe des LLM festlegen kann. Eine Datenbasis wird für das LLM festgelegt, welche Zustandsdaten und Daten der Maschinenlinie umfassen. Die Datenbasis kann in Ausführungsformen auch Daten von ähnlichen Maschinenlinien und/oder Daten eines externen Ökosystems umfassen. Nach Einrichtung des LLM können über eine Benutzerschnittstelle Benutzeranfragen zur Abfrage von angeforderten Informationen bezüglich der Maschinenlinie empfangen werden. Die Benutzeranfrage wird in das LLM eingegeben und durch das LLM basierend auf dem festgelegten spezifischen Kontext und basierend auf der Datenbasis verarbeitet, um die angeforderten Informationen zu ermitteln.
Eine weitere Ausführungsform betrifft ein Verfahren, in dem als zusätzliche Datenbasis für das LLM noch Zustandsdaten, Prozessdaten (z.B. die Leistung, Verfügbarkeit, Verschleiß, Wartung, OEE und den Betriebszustand der Maschinenlinie enthalten) und Daten von ähnlichen Maschinenlinien verwendet werden.
Eine weitere Ausführungsform betrifft ein Verfahren, in dem als zusätzliche Datenbasis für das LLM noch maschinenlinien-unabhängige Daten verwendet werden.
Eine Ausführungsform der Erfindung betrifft ein System mit einem LLM, einem Analyse- Modul und einer Benutzerschnittstelle.
Beispielhafte Aspekte der Erfindung sind in den Zeichnungen dargestellt. Es zeigen:
Figur 1 : ein Diagramm, das eine Übersicht über die wesentlichen Elemente und die Grundstruktur der Erfindung zeigt;
Figur 2: ein Diagramm, das eine stufenweise Anpassung des Large-Language-
Modells für den Einsatz in einer Maschinenlinie zeigt;
Figur 3: ein beispielhaftes Ablaufdiagramm für ein Verfahren zum
Implementieren eines Large-Language-Modells und dessen Betrieb in einer Maschinenlinie;
Figur 4: eine beispielhafte Anlagenkonfiguration für PET-Behälter und
Klebegebinde;
Figur 5: eine beispielhafte Anlagenkonfiguration für PET-Behälter und
Schrumpfpacker;
Figur 6: eine beispielhafte Anlagenkonfiguration für Dosen oder Glasflaschen; und
Figur 7: eine beispielhafte Anlagenkonfiguration für Dosen.
Figur 1 stellt ein Diagramm dar, das eine Übersicht über die wesentlichen Elemente und die Grundstruktur der Erfindung zeigt. Diese wesentlichen Elemente gemäß einer Ausführungsform umfassen eine Maschinenlinie 100, ein Analyse-Modul 110 und eine Benutzerschnittstelle 120 in dem Analysemodul 110, über die ein Benutzer 130 mit dem Analysemodul 110 und gegebenenfalls auch der Maschinenlinie 100 interagieren kann. Die Maschinenlinie 100 kann beispielsweise eine Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken sein, ist jedoch nicht speziell auf eine solche beschränkt. Verschiedene beispielhafte Ausführungsformen einer solchen Maschinenlinie 100 sind in den Figuren 4 bis 7 gezeigt und erklärt.
Das Analyse-Modul 110 kann ein einzelner Server sein, aber kann auch aus einem oder mehreren Computervorrichtungen bestehen, die kommunikativ direkt oder indirekt miteinander verbunden sind. Wie weiter unten ausführlicher beschrieben, kann das Analyse- Modul 110 ein Large-Language-Modell (LLM) 200 umfassen und eine Schnittstelle zwischen dem LLM und einer Benutzerschnittstelle 120 zur Verfügung stellen. Das Analyse-Modul 110 kann direkt oder indirekt mit der Maschinenlinie 100 kommunikativ verbunden sein, wie beispielsweise über die Datenschnittstelle 125 des Analyse-Moduls 110. In manchen Ausführungsformen kann zwischen dem Analyse-Modul 110 und der Maschinenlinie 100 eine Internetverbindung bestehen, über welche diese miteinander verbunden sind, oder es kann auch eine direkte Kommunikationsverbindung bestehen.
Die Benutzerschnittstelle 120 erlaubt es einem Benutzer 130 mit dem Analyse-Modul 110 zu interagieren. Die Benutzerschnittstelle 120 kann dabei jede Form annehmen, die dazu geeignet ist, dass ein Benutzer mittels Eingaben mit einem Computer interagieren kann. Die Benutzerschnittstelle wird auch als „Mensch-Maschine-Schnittstelle“ (MMS) oder im Englischen als „Human Machine Interface“ (HMI) bezeichnet und ermöglicht es dem Benutzer 130 unter Umständen, über die Bedienung der Maschinenlinie 100 hinaus den Anlagenzustand zu beobachten und in den Prozess einzugreifen.
Die Benutzerschnittstelle kann dabei ein einfacher Computer, ein Handy, ein Tablet, eine spezielle Vorrichtung der Maschinenlinie 100, ein Sprachassistent, eine Computeranwendung, ein Computer-Terminal oder eine andere computergestützte Vorrichtung sein.
Wie bereits erwähnt, kann auf dem Analyse-Modul 110 ein sogenanntes Large- Language-Modell (LLM) implementiert sein. Solche Large-Language-Modelle, oder auch Sprachmodelle genannt, sind eine Art Künstliche Intelligenz (Kl), die darauf trainiert sind, menschliche Sprache zu verstehen und zu generieren. Sie lernen, indem sie große Mengen von Textdaten analysieren und Muster darin erkennen. Dabei geht es nicht nur um einzelne Wörter und Sätze, sondern auch um den Kontext, in dem sie verwendet werden. Spezielle Sprachmodelle namens „Transformer“ können komplizierteren Kontext erkennen und auch lernen, Antworten auf Fragen zu generieren, Texte zu übersetzen oder sogar Grafiken, wie Plots und Diagramme zu erzeugen. Die bekannte Architektur namens "Transformer", die auf einer Methode namens "Attention" basiert, hilft dem Sprachmodell, den Kontext eines Wortes in Bezug auf alle anderen Wörter in einem Textabschnitt zu verstehen.
Ein solcher neuronaler T ransformer besteht aus einer Anzahl von Schichten, die jeweils eine Menge an Neuronen enthalten. Jede Schicht und jedes Neuron wird während des Trainingsprozesses angepasst, um besser auf die Trainingsdaten zu reagieren. Die "Tiefe" des Modells (die Anzahl der Schichten) und die "Breite" (die Anzahl der Neuronen in jeder Schicht) bestimmen die Komplexität der Muster, die das Modell erkennen kann.
Der Trainingsprozess erfordert eine große Menge an Rechenleistung und Zeit, aber sobald das Modell trainiert ist, kann es verwendet werden, um Text basierend auf den Mustern, die es gelernt hat, zu generieren oder zu interpretieren. Solche LLMs werden von verschiedenen Anbietern fertig trainiert zur Verfügung gestellt und ermöglichen es Endnutzern, die „fertigen“ LLMs zu benutzen.
Ausführungsformen der Erfindung betreffen die Einbindung von solchen LLMs in eine Benutzer-Plattform. Das LLM 200 wird gemäß Ausführungsformen der Erfindung auf besondere Art angepasst, um dem Benutzer 130 angeforderte Daten der Maschinenlinie 100 bereitzustellen. Bei der Anpassung des LLM werden Sicherheitsaspekte und Datentransparenz berücksichtig, um sicherzustellen, dass dem Benutzer keine Falschinformationen zugeführt werden.
Dieses Konzept der Anpassung des LLM 200 ist in Figur 2 genauer gezeigt.
Neben den oben genannten wesentlichen Elementen, zeigt Figur 1 noch weitere Elemente, wie beispielsweise einen oder mehrere Datenspeicher 140a und 140b, eine Externe Datenbank 150 und eine oder mehrere weitere Maschinenlinien 100b. Auf die Bedeutung dieser weiteren Elemente wird im später Folgenden eingegangen.
Die Architektur in Figur 2 ist im Wesentlichen die gleiche Architektur, wie in Figur 1 und enthält die Maschinenlinie 100, das Analyse-Modul 110 und die Benutzerschnittstelle 120. Die Benutzerschnittstelle 120 in Figur 2 ist nicht als Teil des Analysemoduls 110 dargestellt, um zu verdeutlichen, dass die Benutzerschnittstelle auch von Außerhalb aufgerufen werden kann. Zusätzlich zeigt Figur 2 noch die Anpassung eines LLM 200, das beispielhaft auf dem Analyse- Modul 110 implementiert ist.
Das LLM 200 kann dabei ein allgemeines, fertig trainiertes LLM sein, welches im Anfangszustand keine erweiterten Kenntnisse über die Maschinenlinie 100 oder die von der Maschinenlinie produzierten Daten haben könnte. Es ist daher zunächst nötig, dem LLM einen Kontext zu geben. Das „allgemeine LLM“ 200 wird dadurch zu einem „LLM mit Kontext“ 200‘, wie in Figur 2 zu sehen. Der Kontext kann spezifisch für eine ganz bestimmte Anlagenkonfiguration der Maschinenlinie 100 sein oder auch spezifisch für bestimmte Benutzergruppen. Der spezifische Kontext legt eine Einschränkung der Ausgabe des LLMs fest. Solche Einschränkungen können beispielsweise eine Form, eine Struktur, eine genutzte Informationsquelle, oder einen Detailgrad der Ausgabe des LLMs betreffen. Des Weiteren kann der Kontext auch spezielle Instruktionen oder Anleitungen zur Berechnung von bestimmten Kennzahlen oder Informationen umfassen.
Um den Kontext für das LLM präzise zu setzen, können geeignete, spezifische textuelle Instruktionen festgelegt werden. Diese können auch benutzerspezifisch sein (z.B. welche Inhalte können überhaupt von einem Kunden Werksleiter vs. einem Monteur eingesehen werden). Hier wird auch die Form und Struktur der gewünschten Antworten des LLMs definiert.
Um zu ermöglichen, bei berechneten Kennzahlen die Ursache z.B. für einen besonders niedrigen Wert zu finden, können dem LLM außerdem Fakten über die Berechnung der Kennzahlen sowie Wirkungszusammenhänge mitgegeben werden.
Da das fertig trainierte LLM als Eingabe menschliche Sprache „versteht“ und akzeptiert, kann der spezifische Kontext in einer Ausführungsform auch als eine solche Texteingabe formuliert werden. Ebenso ist eine Texteingabe auch per Sprach-Eingabe durch Sprechen des Benutzers 130 möglich sowie eine Sprach-Ausgabe mittels vorzugsweise der Benutzerschnittstelle 120.
Der Kontext wird dem LLM 200‘ beispielsweise von einem Hersteller der Maschinenlinie 100 zugeführt. Der Kontext kann auf eine Art in das LLM 200‘ eingegeben werden, sodass es für einen Benutzer 130, der später mit dem LLM interagiert, nicht möglich ist, den Kontext so zu verändern, dass durch den Kontext festgelegte Einschränkungen wieder entfernt werden können.
Mit dem „LLM mit Kontext“ 200‘ können jedoch noch keine spezifische Fragen zu Daten der Maschinenlinie 100 gestellt werden, da in einem weiteren Schritt zunächst erst noch die Daten oderZustandsdaten der Maschinenlinie 100 in das LLM als Quellen eingegeben werden müssen.
Die Daten 230 können beispielsweise direkt von der Maschinenlinie 100 in das Analyse-Modul 110 geladen werden oder können auch kontrolliert von einem Dritten in das Analyse-Modul 110 transferiert werden. Diese Daten 230 können wenigstens teilweise die Datenbasis zur Beantwortung der Fragen durch das LLM bilden und können direkt erhobene oder berechnete Kennzahlen, Sensorikdaten und oder Maschinendaten aus der Maschinenlinie 100 bzw. einzelner Maschinen der Maschinenlinie 100 sein. Hierfür kann eine bereits vorhandene Datenbasis verwendet werden, die auch als Quelle für bereits vorhandene Services dient. konkrete Beispiele für die Datenbasis können sein:
• Live-Produktionsdaten in einer Maschinenlinie (incl. OEMs);
• Historische Produktionsdaten in einer Maschinenlinie (inkl. OEMs);
• Zustandsüberwachungsdaten (Condition-Monitoring Daten) von Maschinen und Transporteuren;
• Leistungsdaten der Maschinenlinie und/oder deren Maschinen und Transporteure; und/oder (z.B. OEE, Maschinen-Verfügbarkeit, Ursachen für Produktionsunterbrechungen, OEE, ungeplante Stillstände und deren Top-Ursachen)
• Energie- und Mediendaten der Maschinenlinie und/oder deren Maschinen und Transporteure; und/oder
• Meldungs-Daten (z.B. aktuelle und historische Störungen, Warnungen, Hinweise) -
• Vorhandene SOPs (Standardarbeitsanweisungen), damit in der Antwort nach einer Anfrage auch Handlungsempfehlungen möglich sind, und/oder
• Generierte Charts, Diagaramme, etc., um Antworten kontextbezogen besser zu verstehen.
Optional kann als Datenbasis auch ein PLM- (Product Lifecycle Management-) System beim Endbenutzer genutzt werden, um beispielsweise Wartungspläne in der Antwort zu berücksichtigen. Ebenfalls optional kann auch ein ERP (Enterprise Resource Planning) System vom Endbenutzer benutzt werden, um beispielsweise eine Ressourcenverfügbarkeit (Personen) in der Antwort zu berücksichtigen.
Gemäß Ausführungsformen kann die Datenbasis noch erweitert werden, um eine deutlich tiefere Analyse der Maschinenlinien-Daten zu erhalten. Beispielsweise können Daten und Betriebsdaten von ähnlichen Maschinenlinien als zusätzliche Datenquelle verwendet werden. Die kann Benchmark-Analysen zwischen mehreren (ähnlichen) Linien ermöglichen.
Um dies zu ermöglichen kann das Analyse-Modul 110 Zugriff auf eine Zustandsdatenbank und Maschinendaten von einer Vielzahl von weiteren Maschinenlinien (z.B. Maschinenlinie 100b in Figur 1) haben, die in wenigstens einem definierten Kriterium mit der Maschinenlinie übereinstimmen. Somit können Daten und Zustandsdaten von ähnlichen Maschinenlinien herangezogen werden. Beispiele für solche Kriterien können eine Baureihe, ein Hersteller, eine Verpackungs- und/oder Abfülltechnik, eine bestimmte Art von Maschinen, Modulen oder Vorrichtungen, Ortsdaten, und vieles weitere sein. Die Daten der wenigstens einen weiteren (d.h. ähnlichen) Maschinenlinie kann vom Analyse-Modul 110 beispielsweise direkt von anderen Maschinenlinien abgerufen werden, oder die Daten werden auf einem oder mehreren Datenspeichern 140 abgelegt und beispielsweise zentral gespeichert.
Das Analyse-Modul kann die Daten von ähnlichen Maschinenlinien 100b analysieren und mit den Daten der Maschinenlinie des Benutzers 130 vergleichen, um Rückschlüsse und Benchmark-Informationen zu erstellen.
Die Benchmark-Informationen basieren somit auf einem Vergleich von Daten der Maschinenlinie mit Daten von wenigstens einer ähnlichen Maschinenlinie aus der Vielzahl von weiteren Maschinenlinien. Die Benchmark-Informationen Informationen umfassen wenigstens eine Zustandsüberwachung, eine Ursache für eine Produktionsunterbrechung, Verfügbarkeiten von Maschinen und/oder ungeplante Stillstände und deren Ursachen und auch Energie- und Medienverbräuche.
Gemäß weiteren Ausführungsformen können auch Daten/Informationen von außerhalb der Maschinenanlage als Datenbasis herangezogen werden. Dafür kann das Analyse-Modul 110 Zugriff auf wenigstens eine Datenbank haben, die maschinenlinien-unabhängige Daten enthält. Damit wird ein internes Ökosystem (d.h. Daten von der Maschinenlinie) mit einem externen Ökosystem kombiniert, um dadurch deutlich bessere Analysen, Prognosen und Handlungsempfehlungen für den Benutzer 130 zu erhalten. Dadurch kann ein „weltweiter“ Kontext mit wichtigen Informationen zur Verfügung stehen. Dies überwindet die Nachteile eines eingeschränkten Kontexts von Datenquellen, wodurch Analysen/Prognosen Ungenauigkeiten beinhalten könnten.
Dieses externe Ökosystem an externen Daten ist in Figur 1 als externe Daten 150 gezeigt. Die maschinenlinien-unabhängigen Daten 150 können eine Vielzahl von Daten umfassen, die von außerhalb der Maschinenlinie entstammen. Beispielsweise umfassen die maschinenlinien-unabhängigen Daten 150:
Daten von Material-Lieferanten und/oder Hersteller, insbesondere über Behälter, Etiketten, Sirup, und/oder Verfügbarkeit von Materialien, Hilfs- und Betriebsstoffen, und/oder Ersatzteilen;
Daten eines Energie-Versorgers, insbesondere Daten über Phasen von zeitabhängigen Energietarifen;
Daten eines Logistik-Unternehmens, insbesondere Daten von LKWs zum Versorgen/Entsorgen; Daten eines Komponentenlieferanten, insbesondere Daten über Verfügbarkeit von Teilen und/oder Maschinenkomponenten;
Daten über Betriebliche Informationen des Betreibers der Anlage, insbesondere Schichtinformationen, Mitarbeitergruppen, Mitarbeiterqualifikation und/oder Arbeitszeitmodelle in den einzelnen Bereichen;
Daten über externe Zwischenlager für Getränke, insbesondere Daten über Lagerkapazitäten;
Daten von einem oder mehreren Vertriebsstellen, insbesondere Daten über Prognosen und Planungen von Supermärkten; und/oder
Informationen aus dem Internet, insbesondere Daten über Wetter-Prognosen, Katastrophengebiete, Verkehrslage, Großveranstaltungen, und/oder Absatz- Zahlen.
Gemäß Ausführungsformen kann es nötig sein, aus der Datenbasis 231 geeignet Daten zu extrahieren, z.B. Daten für eine bestimmte Produktionslinie für einen bestimmten oder mehrere Zeiträume. Auch wenn in Figur 2 nur die Maschinenlinie 100 als Ursprung einer Datenbasis gezeigt ist, versteht sich, dass auch die weiteren Daten, wie oben beschrieben wenigstens Teil der Datenbasis sein können.
Gemäß Ausführungsformen kann es weiterhin nötig sein, die von der Datenbasis extrahierten Daten 231 für die Nutzung in einem LLM geeignet zu transformieren, sodass sie von diesem verarbeitet werden können. Dieser Verarbeitungsschritt ist innerhalb der Datenbox 230 gezeigt, worin Rohdaten 231 gezeigt sind, die durch Extraktion und Verarbeitung geeigneter Inhalte der Daten 231 in die verarbeiteten Daten 232 umgewandelt werden. Dies kann die Umrechnung von Werten in geeignet Einheiten (z.B. Zeitstempel, Zeitdifferenzen, Prozentangaben), die Berechnung von Verhältnissen und die Umstrukturierung größerer, mehrdimensionaler Datenmengen umfassen. Die Verarbeitung kann auch ein Hinzufügen von Datenkontext zu den Daten umfassen, wie beispielsweise Labels über den Inhalt und die Bedeutung der Daten, so dass das LLM die Daten richtig interpretieren kann.
Diese Datenvorverarbeitung, wie in der Datenbox 230 gezeigt kann in regelmäßigen Zeitschriften geschehen, und für bestimmte Zeiträume regelmäßig vorberechnet und persistiert werden, um eine Latenzzeit der Verarbeitung der Benutzeranfrage durch das LLM zu minimieren. Mit anderen Worten, die Verarbeitung von Daten über längere Zeiträume (Wochen, Monate, Quartale) kann lange Zeit in Anspruch nehmen. Daher sollten für diese Fälle die Daten bereits vorberechnet und persistiert werden, um die Wartezeit für den Benutzer 130 minimal zu halten. Nach Abschluss der Eingabe der Zustandsdaten in das LLM mit Kontext, wird ein „LLM mit Kontext und mit Zustandsdaten“ 200“ erstellt, welches fertig für den Einsatz in dem Analyse-Modul 110 ist.
Das LLM 200“ kann mittels der Benutzerschnittstelle 120 von einem Benutzer 130 aufgerufen werden und ist für die Verwendung als digitaler Assistent zur angepassten Ausgabe von Daten und Informationen der Maschinenlinie einsetzbar.
Der Benutzer 130 kann nun mit dem LLM 200“ interagieren und dem LLM 200“ über die Benutzerschnittstelle 120 Anfragen schicken, um angeforderte Daten von dem LLM 200“ zu erhalten.
Die Bedienbarkeit der Benutzer-Plattform der Maschinenlinie 100 wird somit verbessert, da der Benutzer 130 durch das LLM im Frage- Antwort-Stil unterstützt wird und schneller zur gewünschten Information navigiert wird. Die zunehmende Anzahl an Daten und Kennzahlen in einer Maschinenlinie 100 ist schwer durchdringbar und je nach Kundenwunsch unterschiedlich zu interpretieren. Diese Flexibilität ist mit statischen Dashboards nicht möglich. Das LLM 200“ bietet zudem Funktionen wie z.B. das Erstellen von Plots/Grafiken. Dadurch lassen sich durch das LLM 200“ Plots erzeugen und müssen nicht mehr aufwändig von dem Betreiber der Benutzerplattform entwickelt werden oder vom Benutzer 130 individuell konfiguriert werden.
Figur 3 zeigt ein beispielhaftes Ablaufdiagramm für ein Verfahren zum Implementieren eines LLMs und dessen Betrieb in einer Maschinenlinie 100.
Das Verfahren 300 startet mit dem Schritt S302, in dem ein Large-Language-Modell auf dem Server 110 implementiert wird. Die Implementierung kann die Implementierung eines bestimmten allgemeinen Sprachmodells umfassen, das für eine bestimmte Sprache (Englisch, Deutsch, Französisch, Spanisch, Chinesisch, etc.) optimiert ist, oder mehrere Sprachen beherrscht.
In Schritt S304 wird ein spezifischer Kontext für das LLM festgelegt. Der spezifische Kontext kann eine Einschränkung einer Ausgabe des LLM festlegen. Die festgelegte Einschränkung kann wenigstens eines der folgenden einschränken: eine Form, eine Struktur, eine genutzte Informationsquelle, und einen Detailgrad der Ausgabe des LLM. Der Kontext kann von einem Hersteller der Maschinenlinie 100, einem Betreiber des Online-Services oder einer weiteren Instanz festgelegt und in das Model eingegeben werden. Der spezifische Kontext kann des Weiteren einen benutzerspezifischen Kontext und/oder Instruktionen zur Berechnung von Kennzahlen umfassen. In Schritt S306 wird eine Datenbasis für das LLM bestimmt, welche Zustandsdaten und Daten der Maschinenlinie 100 umfassen. Die Zustandsdaten können direkt erhobene oder berechnete Kennzahlen, Sensorikdaten und/oder Maschinendaten umfassen. Wie oben beschrieben, können als Datenbasis auch (z.B. zusätzlich zu den Daten und Zustandsdaten der Maschinenlinie 100) Zustandsdaten und Daten von ähnlichen Maschinenlinien 100b und/oder externe Daten 150, die ein externes Ökosystem beschreiben verwendet werden. „Ähnliche Maschinenlinien“ kann beispielsweise bedeuten, dass Daten von Maschinenlinien (auch Linien, die auf der ganzen Welt verteilt sind) herangezogen werden, die die in wenigstens einem definierten Kriterium mit der Maschinenlinie übereinstimmen, wie oben beschrieben.
Die Zustandsdaten können von einen oder mehreren bestimmten Zeiträumen sein. In einem optionalen Unterschritt zu S306 können diese Zustandsdaten noch vorverarbeitet werden. Das Vorverarbeiten der Zustandsdaten (z.B. für die Maschinenlinie 100, aber auch optional für externe Daten 150 und/oder Daten der ähnlichen Maschinenlinien 100b), kann wenigstens eine der folgenden Operationen umfassen: (i) Umrechnen von einem oder mehreren Werten in den Zustandsdaten in eine oder mehrere geeignete Einheiten, die von dem LLM verarbeitet werden können, (ii) Berechnen von Verhältnissen, (iii) Umstrukturieren von mehrdimensionalen Datenmengen, (iv) Aggregieren von Daten, und/oder (v) Hinzufügen von Datenkontext zu den Daten.
Im folgenden Schritt S308 wird über die Benutzerschnittstelle 120 eine Benutzeranfrage zum Erstellen von angeforderten Informationen bezüglich der Maschinenlinie 100 empfangen. Beispielsweise kann die Benutzeranfrage von dem Benutzer 130 eine Anfrage sein, dass das LLM dem Benutzer alle identifizierten Ausfallzeiten innerhalb der letzten Woche anzeigt und auflistet, mit einer weiteren Anfrage, dass jeweils die Gründe für die jeweiligen Ausfallzeiten genannt werden. Diese Anfrage ist nur ein Beispiel.
Die Benutzeranfrage wird dann in Schritt S310 in das LLM eingegeben und in Schritt S312 durch das LLM basierend auf dem festgelegten spezifischen Kontext und basierend auf den Zustandsdaten bearbeitet, um die angeforderten Informationen aus den Zustandsdaten zu ermitteln. Die angeforderten Informationen können beispielsweise Benchmark- Informationen basierend auf anderen (z.B. ähnlichen) Maschinenlinien umfassen und/oder können externe Daten 150 umfassen.
Schließlich werden in Schritt S314 die angeforderten Informationen durch das LLM bereitgestellt. Die Bereitstellung kann das Weiterleiten der angeforderten Informationen an den Benutzer 130 umfassen, von dem die Benutzeranfrage kommt, womit das Verfahren 300 beendet ist. Das Bereitstellen der angeforderten Informationen durch das LLM kann des Weiteren ein Bereitstellen einer Angabe über einer oder mehrere Quellen umfassen, die bei der Ermittlung der angeforderten Informationen von dem LLM verwendet wurden. Die Angabe der einen oder der mehreren Quellen können textuell erscheinen und durch den Benutzer 130 auswählbar sein und mit den jeweiligen Quellen verknüpft sein. Beispielsweise kann der Benutzer die Quelle anklicken und gelangt neben der Antwort des LLM zu der Datenbasis, die als Grundlage der Beantwortung der Frage durch das LLM dient.
Das Bereitstellen kann außerdem das Weiterleiten der angeforderten Informationen an eine weitere Maschine umfassen, von welcher Maschine einer Benutzeranfrage kommt, womit das Verfahren beendet ist. Dementsprechend wäre auch möglich, dass Maschinen untereinander interagieren und Informationen austauschen (M2M).
Die hierin beschriebenen Ausführungsformen bieten eine Reihe von Vorteilen im Vergleich zu herkömmlichen Informationssystemen. Beispielsweise muss zur Abfrage von Informationen kein (komplexer) Workflow bzw. keine Syntax mehr bekannt sein. Somit ist kein (technisches) Expertenwissen notwendig, um gewünschte Informationen zu erhalten.
Die Anfragen und Antworten sind "menschengerecht", wie von z.B. von herkömmlichen Internet-Suchmaschinen gewohnt. Das heißt, es können in einer Such-Formulierung mehrere "freie Regeln" eingebaut werden, wie zum Beispiel: "Zeige mir alle Verschlussfehler bei der Anlage A über die letzten 4 Monate und die jeweilige Sorte mit der jeweiligen Geschwindigkeit und Außentemperatur an“
Diese neue "Informationssammlung und Suche" kann auch bestehende LDS/MES sehr gut anreichern bzw. ersetzen. Es ist auch eine Kommunikation von Informationen zwischen mehrere Maschinen (M2M) denkbar.
Die Ausführungsformen dienen auch dem Zweck, zwischen beliebigen Maschinenlinien, insbesondere Abfüll- und Verpackungsanlagen (weltweit) ähnliche Linien zu vergleichen und Benchmarks zu bilden.
Des Weiteren können durch die Kombination von Daten/Informationen aus dem internen Ökosystem und einem externen Ökosystem Analysen, Prognosen und Handlungsempfehlungen deutlich verbessert werden.
In den folgenden Figuren 4 bis 7 werden verschiedene beispielhafte Anlagenkonfigurationen für verschiedene Flaschenabfüllanlagen beschrieben, in denen die Erfindung oder wenigstens Teile und Aspekte der Erfindung implementiert werden können. Die Beschreibung der Figuren 4 bis 7 soll nur eine allgemeine Übersicht über Maschinen geben, für welche Zustandsdaten gesammelt werden können, auf deren Grundlage das LLM Benutzeranfragen verarbeiten kann.
Figur 4 zeigt eine beispielhafte Anlagenkonfiguration 1000 für PET-Flaschen oder PET- Behälter und Klebegebinde. Wie in Figur 4 zu sehen, umfasst die Anlagenkonfiguration 1000 verschiedenste Module, die eine Linie bilden, an deren Ende fertig abgefüllte PET-Behälter in Form eines Gebindes auf Paletten ausgegeben werden. Einige der Module und Maschinen können dabei optional sein und die Erfindung ist nicht auf die genaue Form und Anordnung der Anlagenkonfigurationen beschränkt.
Die Anlagenkonfiguration 1000 umfasst einen Ofen 1002 für Preforms, eine Preform- Sortierung mit Zuführmaschine 1004 und eine Blasmaschine 1008. Die Module 1002, 1004 und 1008 bilden im Allgemeinen eine Streckblasmaschine, in welcher PET-Behälter aus einem Ausgangsmaterial hergestellt und geformt werden. Die hergestellten PET-Behälter werden weitergeleitet in einen Füller 1010, in dem die Flaschen befüllt werden. Der Füller kann optional einen Rinser umfassen. In den Preforms können sich während der Lagerung oder des Transports verschiedene Partikel wie Staub, Pappe oder Reste von Holzpaletten ablagern. Mit dem Rinser lassen sich diese entfernen. Am Ende des Füllers kann ein Verschließer angeordnet sein, mittels welchem die PET-Behälter nach der Befüllung verschlossen werden.
Optional kann die Anlagenkonfiguration 1000 nach dem Füller 1010 eine Drehvorrichtung umfassen, die bei Heißabfüllung der PET-Behälter zum Einsatz kommt. Über ein oder mehrere Transportbänder 1016, die auch einen Puffer 1018 zum Speichern/Puffern von befüllten Behältern umfassen können, werden die befüllten PET-Behälter zu einem Vereinzeler 1020 und weiter zu einer Trocknungsvorrichtung 1024 geleitet, in welcher die PET- Behälter getrocknet werden.
Nach erfolgter Trocknung werden die PET-Behälter in eine Etikettiermaschine 1026 befördert. Die Etikettiermaschine 1026 kann für verschiedene Etikettiertechniken ausgelegt sein, wie beispielsweise eine Etikettierung mittels Heißleim, Kaltleim, Selbstklebe-Etiketten oder Sleeves. Nach dem Bedrucken oder Etikettieren der PET-Behälter, werden die PET- Behälter durch eine zweite Trocknungsvorrichtung 1028, einen Linienverteiler 1030, Transportbänder 1032, eine Klebegebindeherstellung 1034 und eine Aushärtstrecke zu einem Handle-Applikator geleitet. In der Klebegebindeherstellung 1034 werden die PET-Behälter in bestimmte Gruppengrößen zusammen gruppiert und zu einem Gebinde, wie beispielsweise einem „Sixpack“ verpackt. In dem Handle-Applikator wird ein Tragegriff an das Gebinde angebracht, was ein komfortables Tragen des Gebindes ermöglicht. Die fertigen Gebinde werden dann von einem Roboter 1042 zur Lagenherstellung entsprechend angeordnet und von einem Palettierer 1044 auf Paletten verpackt. In der Anlagenkonfiguration 1000 können an verschiedenen Modulen und Maschinen sogenannte Formatwagen oder Formatregale angeordnet sein, um schnell wechselbare Formatsätze für kurze Umstellzeiten und automatischen Werkzeugwechsel zur Verfügung zu stellen. Beispiele für Formatwagen sind der Formatwagen 1006 für die Blasmaschine 1008, der Formatwagen 1012 für den Füller 1010, der Formatwagen 1022 für die Etikettiermaschine 1026, der Formatwagen 1038 für die Klebegebindeherstellung 1034 und der Formatwagen 1046 für den Palettierer 1044.
Figur 5 zeigt eine weitere beispielhafte Anlagenkonfiguration 1100 für PET-Behälter und Schrumpfpacker. Die Anlage 1100 aus Figur 10 umfasst viele der Module und Maschinen aus der Anlagenkonfiguration 1000 aus Figur 4, jedoch gibt es einige Unterschiede. Auf die Beschreibung der Module, die bereits in Zusammenhang mit Figur 4 beschrieben sind, wird daher für Figur 10 verzichtet.
Ein wesentlicher Unterschied zwischen den beiden beispielhaften Anlagenkonfigurationen 1000 und 1100 besteht darin, dass die Etikettiermaschine 1126 mit den Etikettiermodulen 1127 bereits nach der Blasmaschine 1008 und vor dem Füller 1008 installiert sein kann. Dafür kann die Anlagenkonfiguration 1100 gleich sechs Transportspuren 1150 umfassen, in die sich die PET-Behälter eindrängeln können. Nachdem die PET-Behälter sich entsprechend in eine der sechs Spuren 1150 eingedrängelt haben, werden sie in das Folieneinschlagmodul 1152 und anschließend in den Schrumpftunnel 1154 befördert.
Figur 6 zeigt eine beispielhafte Anlagenkonfiguration 1200 für Dosen oder Glasflaschen. Die beispielhafte Anlagenkonfiguration 1200 aus Figur 6 hat wieder einige Ähnlichkeiten zu den Anlagenkonfigurationen 1000 und 1100 aus Figuren 4 und 5 und die Beschreibung der Anlagenkonfiguration beschränkt sich daher auf die Unterschiede der Anlagenkonfigurationen.
Wie in Figur 6 gezeigt, kann die beispielhafte Anlagenkonfiguration zwei separate Zuführungen umfassen. Eine erste Zufuhr, links in Figur 6, zeigt einen Zweig bei Dosen oder optional einen Teilzweig bei Mehrweg-Neuflaschen. Dabei werden die Behälter, d.h. Dosen oder neue Flaschen, von einem Depalettierer 1302 in die Maschine geführt, wo sie über Transportbänder zu dem Füller 1010 geführt werden. Eine zweite Zufuhr, rechts in Figur 6, zeigt einen Teilzweig bei Mehrwegflaschen, die von einer Mehrwegsortieranlage (nicht abgebildet) in die Anlage eingeleitet werden.
In dem Fall, dass die bereits benutzten Mehrwegflaschen über den Teilzweig bei Mehrwegflaschen in die Anlage 1200 eingeleitet werden, durchlaufen die Mehrwegflaschen zunächst die Reinigungsmaschine oder Waschmaschine 1304. Ein weiterer möglicher Unterschied der beispielhaften Anlagenkonfiguration 1200 ist der Umsetzpacker 1306 nach der Etikettiermaschine 1026. Der Umsetzpacker kann die Flaschen oder Dosen in eine Karton- Clip-Aufbringung oder in Kästen oder beides einsortieren.
Figur 7 zeigt eine beispielhafte Anlagenkonfiguration 1300 für Dosen, in der wieder die bereits in den anderen Anlagenkonfigurationen beschriebene Elemente nicht mehr beschrieben werden. Die Dosen in der Anlagenkonfiguration 1300 werden von einem Magazin 1402 mit Dosen in den Depalettierer 1302 eingeleitet. Die Dosen werden, nachdem sie den Füller durchlaufen haben und gefüllt sind mittels Verschlussmagazin 1404 verschlossen und über die Transportbänder, wie oben beschrieben, weiter entlang der Anlage 1400 geleitet. Der optionale Pasteur 1408 kann über den Bypass 1412 umgangen werden, falls dieser nicht benötigt wird. Im Pasteur 1408 können die frisch abgefüllten Produkte für die Konservierung pasteurisiert werden.
Im Gegensatz zu den Anlagenkonfigurationen 1000, 1100 und 1200 sind in der beispielhaften Anlagenkonfiguration 1300 verschiedene Tanks für entsprechende Verbrauchsgüter gezeigt, wie die Tanks 1410 mit Rinsflüssigkeit und/oder dem Abfüllprodukt und den Tanks 1406 mit Bandschmiermittel. Diese Tanks können auch in den bereits oben beschriebenen beispielhaften Anlagenkonfigurationen enthalten sein. In die Tanks 1406 und 1410 können beispielsweise die chemischen Produkte 106, die aus dem Mischer 110 zu den Maschinen geleitet wird, gespeichert werden.

Claims

ANSPRÜCHE
1. Verfahren zur angepassten Ausgabe von Daten einer Maschinenlinie (100), insbesondere in einer Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken, wobei die Maschinenlinie eine Vielzahl von Maschinen umfasst, und wobei das Verfahren umfasst:
Implementieren (S302) eines Large-Language-Models, LLM, auf einem Analysemodul (110);
Festlegen (S304) eines spezifischen Kontexts für das LLM, wobei der spezifische Kontext eine Einschränkung einer Ausgabe des LLM festlegt, und wobei die festgelegte Einschränkung wenigstens eines der folgenden einschränkt: eine Form, eine Struktur, eine genutzte Informationsquelle, und einen Detailgrad der Ausgabe des LLM;
Erstellen (S306) einer Datenbasis für das LLM, welche Zustandsdaten und Daten der Maschinenlinie umfasst;
Empfangen (S308), über eine Benutzerschnittstelle (120) des Analysemoduls, einer Benutzeranfrage zum Erstellen von angeforderten Informationen bezüglich der Maschinenlinie;
Eingeben (S310) der Benutzeranfrage in das LLM;
Verarbeiten (S312) der Benutzeranfrage durch das LLM basierend auf dem festgelegten spezifischen Kontext und basierend auf den Zustandsdaten und den Daten der Maschinenlinie, um die angeforderten Informationen aus den Zustandsdaten zu ermitteln; und
Bereitstellen (S314) der angeforderten Informationen durch das LLM.
2. Verfahren nach Anspruch 1 , wobei die Datenbasis direkt erhobene oder berechnete Kennzahlen, Sensorikdaten und/oder Maschinendaten aus einer Maschinenlinie oder von einzelnen Maschinen einer Maschinenlinie sind.
3. Verfahren nach Anspruch 1 oder 2, wobei die Datenbasis wenigstens umfasst:
Live-Produktionsdaten der Maschinenlinie; historische Produktionsdaten der Maschinenlinie; Zustandsüberwachungsdaten der Maschinenlinie und/oder von Transporteuren innerhalb der Maschinenlinie;
Leistungsdaten der Maschinenlinie und/oder deren Maschinen und Transporteure; und/oder
Energie- und Mediendaten der Maschinenlinie und/oder deren Maschinen und Transporteure; und/oder
Meldungs-Daten über aktuelle und/oder historische Störungen, Warnungen oder Hinweise;
4. Verfahren nach einem der Ansprüche 1 bis 3, des Weiteren umfassend:
Vorverarbeiten der Zustandsdaten für die Maschinenlinie, wobei die Vorverarbeitung der Zustandsdaten wenigstens eines umfasst von:
Umrechnen von einem oder mehreren Werten in den Zustandsdaten in eine oder mehrere geeignete Einheiten, die von dem LLM verarbeitet werden können,
Berechnen von Verhältnissen,
Um strukturieren von mehrdimensionalen Datenmengen,
Aggregieren von Daten, und
Hinzufügen von Daten kontext zu den Daten.
5. Verfahren zur angepassten Ausgabe von Daten einer Maschinenlinie (100) durch ein Analyse-Modul (110), insbesondere in einer Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken, wobei die Maschinenlinie eine Vielzahl von Maschinen umfasst, wobei das Analyse-Modul Zugriff auf eine Zustandsdatenbank und Maschinendaten von einer Vielzahl von weiteren Maschinenlinien hat, die in wenigstens einem definierten Kriterium mit der Maschinenlinie übereinstimmen, und wobei das Verfahren umfasst:
Implementieren (S302) eines Large-Language-Models, LLM, auf dem Analyse-Modul (110);
Festlegen (S304) eines spezifischen Kontexts für das LLM, wobei der spezifische Kontext eine Einschränkung einer Ausgabe des LLM festlegt, und wobei die festgelegte Einschränkung wenigstens eines der folgenden einschränkt: eine Form, eine Struktur, eine genutzte Informationsquelle, und einen Detailgrad der Ausgabe des LLM;
Erstellen einer Datenbasis für das LLM, welche Zustandsdaten und Daten der Maschinenlinie umfasst,;
Empfangen (S308), über eine Benutzerschnittstelle (120) des Analysemoduls, einer Benutzeranfrage zum Erstellen von angeforderten Informationen bezüglich der Maschinenlinie, wobei die angeforderten Informationen Benchmark-Informationen umfassen, welche Zustandsdaten und Maschinendaten der Vielzahl von weiteren Maschinenlinien umfassen;
Eingeben (S310) der Benutzeranfrage in das LLM;
Verarbeiten (S312) der Benutzeranfrage durch das LLM basierend auf dem festgelegten spezifischen Kontext und basierend auf den Zustandsdaten, den Daten der Maschinenlinie und den Zustandsdaten und Maschinendaten der Vielzahl von weiteren Maschinenlinien, um die angeforderten Informationen aus den Zustandsdaten zu ermitteln; und
Bereitstellen (S314) der angeforderten Informationen durch das LLM.
6. Verfahren nach Anspruch 5, wobei die Benchmark-Informationen auf einem Vergleich von Daten der Maschinenlinie mit Daten von wenigstens einer ähnlichen Maschinenlinie aus der Vielzahl von weiteren Maschinenlinien basiert, und wobei die Benchmark-Informationen Informationen wenigstens eine Zustandsüberwachung, eine Ursache für eine Produktionsunterbrechung, Verfügbarkeiten von Maschinen und/oder ungeplante Stillstände und deren Ursachen umfassen.
7. Verfahren zur angepassten Ausgabe von Daten einer Maschinenlinie (100) durch ein Analyse-Modul (110), insbesondere in einer Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken, wobei die Maschinenlinie eine Vielzahl von Maschinen umfasst, wobei das Analyse-Modul Zugriff auf wenigstens eine Datenbank hat, die maschinenlinien-unabhängige Daten enthält, und wobei das Verfahren umfasst:
Implementieren (S302) eines Large-Language-Models, LLM, auf dem Analyse-Modul (110); Festlegen (S304) eines spezifischen Kontexts für das LLM, wobei der spezifische Kontext eine Einschränkung einer Ausgabe des LLM festlegt, und wobei die festgelegte Einschränkung wenigstens eines der folgenden einschränkt: eine Form, eine Struktur, eine genutzte Informationsquelle, und einen Detailgrad der Ausgabe des LLM;
Erstellen (S306) einer Datenbasis für das LLM, welche Zustandsdaten und Daten der Maschinenlinie umfasst,;
Empfangen (S308), über eine Benutzerschnittstelle (120) des Analysemoduls, einer Benutzeranfrage zum Erstellen von angeforderten Informationen bezüglich der Maschinenlinie;
Eingeben (S310) der Benutzeranfrage in das LLM;
Verarbeiten (S312) der Benutzeranfrage durch das LLM basierend auf dem festgelegten spezifischen Kontext und basierend auf den Zustandsdaten, den Daten der Maschinenlinie und den maschinenlinien-unabhängigen Daten, um die angeforderten Informationen aus den Zustandsdaten zu ermitteln; und
Bereitstellen (S314) der angeforderten Informationen durch das LLM.
8. Verfahren nach Anspruch 7, wobei die maschinenlinien-unabhängigen Daten eine Vielzahl von Daten umfassen, die von außerhalb der Maschinenlinie entstammen und/oder wobei die maschinenlinien-unabhängigen Daten umfassen:
Daten von Material-Lieferanten und/oder Hersteller, insbesondere über Behälter, Etiketten, Sirup, und/oder Verfügbarkeit von Materialien, Hilfs- und Betriebsstoffen, und/oder Ersatzteilen;
Daten eines Energie-Versorgers, insbesondere Daten über Phasen von zeitabhängigen Energietarifen;
Daten eines Logistik-Unternehmens, insbesondere Daten von LKWs zum Versorgen/Entsorgen;
Daten eines Komponentenlieferanten, insbesondere Daten über Verfügbarkeit von Teilen und/oder Maschinenkomponenten;
Daten über Betriebliche Informationen des Betreibers der Anlage, insbesondere Schichtinformationen, Mitarbeitergruppen, Mitarbeiterqualifikation und/oder Arbeitszeitmodelle in den einzelnen Bereichen; Daten über externe Zwischenlager für Getränke, insbesondere Daten über Lagerkapazitäten;
Daten von einem oder mehreren Vertriebsstellen, insbesondere Daten über Prognosen und Planungen von Supermärkten; und/oder
Informationen aus dem Internet, insbesondere Daten über Wetter-Prognosen, Katastrophengebiete, Verkehrslage, Großveranstaltungen, und/oder Absatz-Zahlen.
9. System zur angepassten Ausgabe von Daten einer Maschinenlinie, insbesondere in einer Maschinenlinie zum Abfüllen und Verpacken von Lebensmitteln und/oder Getränken, wobei die Maschinenlinie eine Vielzahl von Maschinen umfasst, und wobei das System umfasst: ein Analysemodul, auf dem ein Large-Language-Model, LLM, implementiert ist, wobei für das LLM ein spezifischer Kontext festgelegt wird, wobei der spezifische Kontext eine Einschränkung einer Ausgabe des LLM festlegt, und wobei die festgelegte Einschränkung wenigstens eines der folgenden einschränkt: eine Form, eine Struktur, eine genutzte Informationsquelle, und einen Detailgrad der Ausgabe des LLM; und eine Benutzerschnittstelle des Analysemoduls zum Interagieren mit dem LLM; wobei das LLM angepasst ist zum:
Erhalten einer Datenbasis für das LLM, welche Zustandsdaten und Daten der Maschinenlinie umfasst;
Empfangen einer Benutzeranfrage über die Benutzerschnittstelle zum Erstellen von angeforderten Informationen bezüglich der Maschinenlinie;
Eingeben der Benutzeranfrage;
Verarbeiten der Benutzeranfrage basierend auf dem festgelegten spezifischen Kontext und basierend auf den Zustandsdaten und den Daten der Maschinenlinie, um die angeforderten Informationen aus den Zustandsdaten zu ermitteln; und
Bereitstellen der angeforderten Informationen.
10. System nach Anspruch 9, wobei: das Analyse-Modul des Weiteren Zugriff hat auf: eine Zustandsdatenbank und Maschinendaten von einer Vielzahl von weiteren Maschinenlinien, die in wenigstens einem definierten Kriterium mit dem Maschinenlinie übereinstimmen; und/oder wenigstens eine Datenbank, die maschinenlinien-unabhängige Daten enthält; und wobei die angeforderten Informationen umfassen:
Benchmark-Informationen, welche Zustandsdaten und Maschinendaten der Vielzahl von weiteren Maschinenlinien umfassen, und/oder
Zusammenhänge von Daten der Maschinenlinie und maschinenlinienunabhängigen Daten.
PCT/EP2024/084389 2024-01-09 2024-12-03 Verfahren und system zur analyse und ausgabe von daten einer maschinenlinie Pending WO2025149232A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102024100434.7A DE102024100434A1 (de) 2024-01-09 2024-01-09 Verfahren und System zur Analyse und Ausgabe von Daten einer Maschinenlinie
DE102024100434.7 2024-01-09

Publications (1)

Publication Number Publication Date
WO2025149232A1 true WO2025149232A1 (de) 2025-07-17

Family

ID=93841231

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/084389 Pending WO2025149232A1 (de) 2024-01-09 2024-12-03 Verfahren und system zur analyse und ausgabe von daten einer maschinenlinie

Country Status (2)

Country Link
DE (1) DE102024100434A1 (de)
WO (1) WO2025149232A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220043431A1 (en) * 2020-08-05 2022-02-10 Rockwell Automation Technologies, Inc. Industrial automation control program utilization in analytics model engine
US20230274094A1 (en) * 2021-08-24 2023-08-31 Unlikely Artificial Intelligence Limited Computer implemented methods for the automated analysis or use of data, including use of a large language model
DE102022105749A1 (de) * 2022-03-11 2023-09-14 Krones Aktiengesellschaft Getränkeabfüllanlage einsetzend Planarmotor-Drohnen und/oder unterschiedliche Fördermodul- / Planarmotor-Mover, Verwendung einer Drohne an/in einer Getränkeabfüllanlage und Verfahren zum Betreiben einer Getränkeabfüllanlage
US20230342392A1 (en) * 2020-02-21 2023-10-26 Brian MCCARSON Generative ai systems and methods for economic analytics and forecasting

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230342392A1 (en) * 2020-02-21 2023-10-26 Brian MCCARSON Generative ai systems and methods for economic analytics and forecasting
US20220043431A1 (en) * 2020-08-05 2022-02-10 Rockwell Automation Technologies, Inc. Industrial automation control program utilization in analytics model engine
US20230274094A1 (en) * 2021-08-24 2023-08-31 Unlikely Artificial Intelligence Limited Computer implemented methods for the automated analysis or use of data, including use of a large language model
DE102022105749A1 (de) * 2022-03-11 2023-09-14 Krones Aktiengesellschaft Getränkeabfüllanlage einsetzend Planarmotor-Drohnen und/oder unterschiedliche Fördermodul- / Planarmotor-Mover, Verwendung einer Drohne an/in einer Getränkeabfüllanlage und Verfahren zum Betreiben einer Getränkeabfüllanlage

Also Published As

Publication number Publication date
DE102024100434A1 (de) 2025-07-10

Similar Documents

Publication Publication Date Title
DE69427215T2 (de) Verfahren und Vorrichtung zur Zeitplansteuerung von Teileliefereinrichtungen und Verfahren zum Managen der Teileliefereinrichtungen
DE102011104511C5 (de) Distributionslager und Verfahren zum auftragsorientierten Zusammenstellen von verschiedenen Artikeln mit einem reduzierten Puffer
EP3812981B1 (de) Verfahren und fertigungsanlage zur herstellung eines produktes
EP3630655B1 (de) Verfahren und warenlagersystem zum kommissionieren von waren mit effizient betriebenem dynamischen puffer
WO2004088439A1 (de) Verfahren zum rechnergestützten regeln einer mehrzahl von in serie miteinander gekoppelten maschinen, regelungseinrichtung und maschinen-anordung
DE10115046A1 (de) Verfahren und Einrichtung zur Erzeugung eines Abbildes eines netzwerkartigen Herstellungsprozesses
EP2932336B1 (de) Verfahren zur ermittlung einer ressourceneffizienz einer anlage zum herstellen von getränkebehältnissen
WO2025149232A1 (de) Verfahren und system zur analyse und ausgabe von daten einer maschinenlinie
EP1230601A2 (de) Diagnoseverfahren und diagnosesystem zur überwachung der verfügbaren ressourcen in einem herstellungsprozess
DE69803289T2 (de) Verfahren zum einbau montierter baugruppen
WO2025011828A1 (de) Fehlerursachenanalyse für eine maschinenlinie
WO1995000889A1 (de) Prozessleitverfahren, insbesondere für eine industrielle grossanlage
WO2025021398A1 (de) Verfahren und system zur angepassten ausgabe von daten einer maschinenlinie
DE102012202217A1 (de) Abfüllanlage und computerimplementiertes Verfahren zur automatischen Erstellung einer aktuellen und individuellen Arbeitsliste
WO2025119511A1 (de) Verfahren und system zum optimieren von produktsequenzierungen in einer maschinenlinie
Mohamed et al. How to reduce production Losses-South Pacific Brewery limited and paradise foods limited
DE102023119266A1 (de) Verfahren und System zur unterstützten Steuerung einer Maschinenlinie
DE102011082838A1 (de) Identifikation wiederverwendbarer mechatronischer Komponenten in der Fabrikautomation
DE102024122698A1 (de) Verfahren zum Optimieren eines Maschinenlinien-Aufbaus
Amoretti-Magallanes et al. Production Model Based On Lean Manufacturing and Systematic Layout Planing To Reduce Waste in a Company in the Poultry Sector: A Case Study
EP4586033A1 (de) Verfahren und system zum erkennen und beheben von fehlfunktionen einer maschine
WO2025011821A1 (de) Fehlerursachenbestimmung für eine maschinenlinie
DE102019128101A1 (de) Fertigungssteuerungssystem
WO2004040487A2 (de) Verfahren zur bestimmung einer vorlaufzeit
DE102024123890A1 (de) Verfahren und System zur Zustandsüberwachung einer Behälterbehandlungslinie

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24820306

Country of ref document: EP

Kind code of ref document: A1