KI in der Produktion

Andrea Gillhuber,

Wettbewerbsfähig mit Machine Learning

Machine Learning bietet ein enormes Potenzial für den Maschinen- und Anlagenbau. Sowohl interne Prozesse als auch Produkteigenschaften lassen sich durch das Verfahren optimieren. Der so generierte Mehrwert kann die international führende Position der Branche nachhaltig stärken und ausbauen. Unternehmen sollten daher mit dem Einstieg nicht warten. Dabei hilft es, konkrete Anwendungsfälle zu skizzieren. Von Andreas Gladis
Hybrid AI von Inform © Inform

Als Herzstück der deutschen Investitionsgüterindustrie dient der Maschinen- und Anlagenbau als Aushängeschild der hiesigen Wirtschaft. Jährlich fließen neun Prozent der nationalen Forschungs- und Entwicklungsaufwendungen in diese Branche, womit sie als eine der forschungsstärksten hierzulande gelten darf. Um ihre Produktionsinnovationsführerschaft auch angesichts eines starken Wettbewerbs perspektivisch zu wahren, kommen Maschinen- und Anlagenbauer künftig nicht umhin, aktuelle technologische Fortschritte im Bereich künstlicher Intelligenz zu berücksichtigen – und zwar spezifisch mit Blick auf deren Teilbereich des Machine Learning (ML). ML bezeichnet die Fähigkeit selbstlernender Algorithmen, nach vorangegangenem Training Muster und Gesetzmäßigkeiten in großen Datenmengen zu erkennen. Auf Basis dieser künstlich generierten Erfahrung befähigen sie IT-Systeme, neue Lösungsansätze zu finden. ML-Algorithmen unterscheidet die Art, wie sie aus Daten lernen: ob anhand gelabelter oder ungelabelter Beispiele (überwachtes und unüberwachtes Lernen) oder durch die Belohnung oder Bestrafung eines Trial-and-Error-Prozesses (bestärkendes Lernen). Wurde die Technologie bislang primär im Konsumenten-bereich eingesetzt, zum Beispiel bei individualisierten Kauf-empfehlungen, hält sie nun auch im industriellen Umfeld Einzug. Dies verdankt sie Fortschritten in der algorithmischen Rechenkapazität sowie einem Mehr an verfügbaren Daten.

Anzeige

Machine Learning optimiert Prozesse

Sowohl auf Ebene der Produkteigenschaften als auch auf Ebene der internen Prozesse lassen sich einige Anwendungsfälle skizzieren, die vielversprechende Vorteile des maschinellen Lernens für den Maschinen- und Anlagenbau in Aussicht stellen. So können ML-basierte Systeme zum Beispiel betriebswirtschaftliche Kernprozesse wie die Angebotserstellung wesentlich effizienter gestalten. Angesichts zunehmend individueller Fertigungsaufträge und einer wachsenden Auswahl an komplexen Maschinenkonfigurationen gestaltet sich diese immer zeitintensiver. ML-Algorithmen sind in der Lage, Zusammenhänge zwischen Maschinenkonfigurationen und Kosten zu erlernen. Mittels Vergangenheitsdaten zu bereits erstellten Angeboten, Produkten und Preisen können intelligente (also mit ML-Algorithmen arbeitende) Maschinen die anfallenden Kosten schätzen. Dies beschleunigt die Angebots- erstellung erheblich und senkt das Fehlerpotenzial. Analog lässt sich auch die Dauer von Arbeitsgängen prognostizieren. Ebenfalls können ML-Algorithmen auf Basis der Daten vergangener Bestellungen Wiederbeschaffungszeiten vorhersagen, was eine genauere Produktionsplanung ermöglicht und die Termintreue verbessert.

Maschinelle Lernverfahren sind vor allem bei Abläufen sinnvoll, die von vielen messbaren Parametern in unbekannter Weise bedingt werden. Bei komplexen physikalischen Maschinenprozessen ist das die Regel. Diese mittels Formeln zu modellieren, fällt schwer. Dabei wäre dies notwendig, um sie gezielt zu optimieren. Erlernen ML-Algorithmen das Verhalten der eingesetzten Systeme, sind sie jedoch in der Lage, Vorhersagen über den Prozess zu treffen (adaptive Regelung). Auf Basis von Rückschlüssen aus historischen Daten können sie die Prozessparameter anpassen, bevor tatsächliche Messwerte vorliegen. So lässt sich die Prozessqualität signifikant steigern. Totzeiten, in denen eine Maschine stillsteht, während die Durchlaufergebnisse nach einer neuen Parametrierung abgewartet werden, bleiben aus.

Intelligente Maschinen schaffen Mehrwert

Mit Blick auf die Produkteebene generiert ML durch neue Dienstleistungen Mehrwert. Ein Beispiel hierfür ist die vorausschauende Wartung (Predictive Maintenance). Auf Basis erfasster und durch das System ausgewerteter Prozess- und Sensordaten sind intelligente Maschinen in der Lage, selbstständig Bescheid zu geben, wenn die Notwendigkeit einer Wartung absehbar ist. Hierdurch lassen sich spätere Ausfälle vermeiden. Die Wartung kann zu geplanten Zeiten stattfinden, sodass die Produktion nicht ins Stocken gerät. Eines Tages könnten Maschinen sogar in der Lage sein, die nötigen Ersatzteile autonom zu bestellen.

Auch die Leistung der Maschinen selbst lässt sich durch ML steigern. Die effizientere Auswertung der Sensor- und Maschinendaten etwa ermöglicht genauere Aussagen über die zu erwartende Produktqualität (Predictive Quality), wodurch sich diese gezielt optimieren lässt. Ursachen für Qualitätsabweichungen können schneller erkannt und beseitigt werden, was den Ausschuss reduziert. Zu einer effizienteren Qualitätsinspektion tragen auch durch ML generierte Fortschritte in der Bildverarbeitung bei. So ermöglichen ML-basierte Vision-Systeme in Kombination mit entsprechenden Sensoren eine menschenähnliche Bilderkennung. Damit sind Maschinen in der Lage, auch Oberflächen mit Texturen korrekt zu identifizieren, was ihnen mit klassischen Bildverarbeitungssystemen nicht möglich wäre. Neue zu untersuchende Teile sind für die Maschine außerdem ohne großen Aufwand lernbar, was Entwicklungs- und Produkteinführungszeiten deutlich reduzieren kann.

Konkrete Anwendungsszenarien entwerfen

Insgesamt werden die Maschinen durch den Einsatz ML-basierter Systeme also zunehmend selbstständig und tragen von sich aus zu einer effizienteren Prozessabwicklung bei. Damit lässt sich auch die Leistung intelligenter APS-Systeme noch steigern, die Fertigungsabläufe schon heute optimieren und in ihrer Planung vereinfachen. Im Idealfall ist eine intelligente Maschine irgendwann selbst in der Lage, zu erkennen, welche Teile sie wann sinnvollerweise produzieren sollte. Grundlage für dieses erweiterte Leistungsspektrum ist die Kombination der ML-Algorithmen mit anderen intelligenten Technologien sowie erfahrungsbedingtem Expertenwissen. Im Rahmen dieses hybriden Ansatzes ergänzt ML die wissensbasierte Entscheidungsfindung um eine datengetriebene Komponente: Während Operations-Research-Algorithmen bestehendes Expertenwissen etwa zu Prozessen und Verhaltensmustern abbilden und Fuzzy Logic ungenaue Informationen in explizite Entscheidungen überführen helfen, sind ML-Algorithmen darüber hinaus in der Lage, auf Basis gegebener Daten Prognosen zu treffen und so neues Wissen zu generieren. Somit ermöglichen sie Anwendern, einen zusätzlichen Mehrwert aus ihren Produktionsdaten zu ziehen.

Für Maschinen- und Anlagenbauer stellt die Integration maschinellen Lernens in die eigenen Prozesse oft eine Herausforderung dar. Viele Unternehmen verheben sich anfangs mit komplexen Projekten und scheitern daran, nicht alle relevanten Aspekte gründlich durchdacht zu haben. Vor dem Projektstart sollte daher ein konkretes Anwendungsszenario definiert und mit quantifizierbaren Zielen hinterlegt werden.

Essentiell ist dabei eine geeignete Datenbasis. Um alle relevanten Daten zu identifizieren, empfiehlt es sich, im Voraus eine Art Landkarte zu erarbeiten, die vermerkt, wo welche Daten anfallen. Häufig ist ein hilfreicher Datenbestand schon durch eingesetzte ERP-Systeme verfügbar. Es gilt, eine IT-Infrastruktur aufzubauen, die alle relevanten Daten sammelt, automatisiert auswertet und die Ergebnisse wieder zurück in den Prozess spielt – damit steht und fällt der Projekterfolg. Um eine hinreichende Aufbereitung der Datenlage (Data Maturity) zu gewährleisten, sollten daher erfahrene Dienstleister zurate gezogen werden, die bei der Implementierung genau auf den jeweiligen Betriebskontext eingehen können.

Wichtig ist zudem, vorab zu klären, wie und wo die Expertise zum Umgang mit ML im eigenen Unternehmen aufgebaut werden kann, und wer verantwortlich zeichnet, wenn Entscheidungen an das System delegiert werden. Nicht zu vernachlässigen ist dabei das Vertrauen aller Beteiligten in das System: Nur wenn dieses vorhanden ist, kann ML erfolgreich in interne Abläufe integriert werden und diese nachhaltig verbessern. Dabei hilft es, sich vor Augen zu führen, dass im Sinne eines hybriden Ansatzes letztlich die Kombination von Erfahrungswissen und algorithmischer Rechenkapazität den größtmöglichen Mehrwert verspricht.

Zukunftsfähigkeit sichern

ML bietet dem Maschinen- und Anlagenbau also vielfältige Möglichkeiten, sowohl Produkte als auch Prozessqualität zu optimieren. Mit dieser Technologie kann die IT zum maßgeblichen Innovationstreiber der Branche avancieren und ihre weltweit führende Rolle perspektivisch garantieren. Die Expertise der Anwender wird dabei von großer Bedeutung bleiben und auch zukünftig dazu beitragen, die Algorithmen an den richtigen Stellen einzusetzen. Durch die starke Eigendynamik, die ML im Einsatz entfaltet, werden Unternehmen, die aktuell noch zögern, schnell abgehängt sein. Der richtige Zeitpunkt, sich mit maschinellen Lernverfahren auseinanderzusetzen, ist nicht früher oder später als jetzt.

Andreas Gladis, Leiter des Geschäftsbereichs Produktion bei Inform.

Anzeige

Das könnte Sie auch interessieren

Anzeige

SAS Forum 2019

Innovative Technologien

Am 4. und 5. Juni 2019 bringt das SAS Forum 2019, die größte deutschsprachige Analytics-Konferenz, Vordenker und Anwender innovativer Technologien zusammen. Erwartet werden weit über 1.000 Teilnehmer.

mehr...
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige

Newsletter bestellen

Immer auf dem Laufenden mit dem SCOPE Newsletter

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite