Advanced Analytics是第一个面向油漆车间的市场准备好的AI应用程序。智能解决方案结合了最新的IT技术和机械工程专业知识，可以识别缺陷的来源，并确定最佳的维修计划。它还会跟踪之前未知的相关性，并利用这些知识，利用自我学习的原理，使算法适用于植物。高级分析是最新的模块DXQ分析产品系列。首先实际应用表明，来自Dürr的软件优化了植物可用性和彩绘车身的表面质量。

为什么身体部位以异常高的频率表现出相同的缺陷?最晚什么时候可以在不导致机器停止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非常重要。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资金或提高产品质量。“以前很少有精确的结论能够早期发现质量缺陷或故障。即使有，它们也通常是基于艰苦的手工数据评估或试错尝试。人工智能(AI)使这一过程更加精确和自动化，”Dürr的MES和控制系统副总裁格哈德·阿隆索·加西亚解释道。

新的自学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、用于可视化的可视化分析模块和流分析模块。后者可以让工厂操作人员使用低代码平台，接近实时地分析是否有偏离先前定义的规则或生产目标值的情况。

拥有自己内存的人工智能应用

高级分析的特别之处在于，该模块结合了大量的数据，包括历史数据和机器学习。从比喻意义上说，这意味着自我学习的AI应用程序有记忆。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，并基于机器的当前状态以高度的准确性预测未来的事件。这在油漆车间有多种应用，无论是在组件，工艺或工厂级别。

预见性维护减少设备停机时间

当涉及到部件时，Advanced Analytics通过预测性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费用;另一方面，等待太长时间更换一个组件可能导致在涂装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部件的老化趋势，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，在工艺水平上提高质量。到目前为止，制造商只有在测量过程中由传感器确定的数据。然而，加热曲线是至关重要的表面质量的汽车车身变化，因为烤箱年龄在间隔的测量运行。这种磨损会引起环境条件的波动，比如气流的强度。“如今，成千上万的尸体被制造出来，我们却不知道每具尸体被加热到什么温度。使用机器学习，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具尸体的永久质量证明，并让他们能够识别异常情况，”格哈德·阿隆索·加西亚说。

较高的首次运行率可以提高整体设备的效率

在工厂层面，DXQ工厂。分析软件与高级分析模块一起使用，以提高整体设备的效率。人工智能可以跟踪系统缺陷，例如在模型类型、特定颜色或身体个别部位的重复质量缺陷。这样就可以得出生产过程中的哪个步骤是导致偏差的原因。这种缺陷和原因的相关性使得通过允许在非常早期的阶段进行干预来提高第一次运行的速度成为可能。

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。机器学习不是通过向“智能”算法输入不确定数量的数据，然后由“智能”算法得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附加信息。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，我们将机械和工厂工程的知识与数字工厂专家的知识结合起来。这导致了油漆店的第一个AI解决方案，”格哈德·阿隆索·加西亚解释道。

跨学科知识要求

Advanced Analytics是由一个由数据科学家、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。这允许开发人员在不同的应用程序用例中访问生产中的真实生产数据和beta站点环境。最初，算法是在实验室中使用大量测试用例进行训练的。其次，算法在实际操作中持续现场学习，自主适应环境和使用条件。测试阶段最近成功完成，展示了人工智能的潜力。