In intelligenten Wertschöpfungsnetzwerken weckt der Einsatz von künstlicher Intelligenz (KI) hohe Erwartungen an selbst optimierende digitale Geschwister oder autonom agierende, adaptive Fabriken. Trotz des ganzen Trubels steckt die KI noch in den Kinderschuhen. Das bedeutet nicht, dass die künstliche Intelligenz, die derzeit noch „schwach“ ist, keinen industriellen Mehrwert hat.
KI in der Industrie 4.0: Eine der bekanntesten Theorien über die Zukunft stammt aus dem 2005 erschienenen Buch „The Singularity is Near: When Humans Transcend Biology“ von Raymond Kurzweil, in dem er einen exponentiellen Anstieg der informationstechnischen Entwicklung vorhersagt, wodurch die „Singularität“ der künstlichen Intelligenz bis 2045 möglich würde – was nichts anderes bedeuten würde, als dass Maschinen ab diesem Zeitpunkt zum ersten Mal in der Lage wären, die menschliche Intelligenz zu übertreffen.
Schwache KI
Jenseits der Singularitätsfrage kann sich die industrielle Praxis daher vorerst auf zusätzliche Effizienzvorteile durch sogenannte schwache künstliche Intelligenzen konzentrieren. Mit „schwacher“ künstlicher Intelligenz sind in diesem Zusammenhang KI-Systeme gemeint, die nur ein oberflächliches Verständnis des Problems und seiner Lösung haben. Mit der richtigen Programmierung und den richtigen Algorithmen sind diese Systeme jedoch in der Lage, sich selbst für einen bestimmten Anwendungsfall zu entwickeln und zu optimieren.
Das maschinelle Lernen ist derzeit das bekannteste Beispiel für schwache KI. Laut dem Fraunhofer-Institut für Kognitive Systeme IKS „lernt ein Algorithmus beim maschinellen Lernen durch Wiederholung, eine Aufgabe selbstständig auszuführen. Die Maschine wird dabei von einem vorgegebenen Qualitätskriterium und dem Informationsgehalt der Daten geleitet. Im Gegensatz zu traditionellen Algorithmen wird kein Lösungsweg modelliert.“
KI in der Industrie 4.0
Klassische Algorithmen sind logisch und regelbasiert. Das macht sie für die Vermittlung komplexer Sachverhalte unzureichend. Im Gegensatz dazu ist das maschinelle Lernen dieser Aufgabe gewachsen. KI-Algorithmen sind eine Kombination aus algorithmischen und statistischen Techniken. Mit anderen Worten, sie werden anhand von Trainingsdaten „erlernt“ und können dann Muster und Beziehungen in Daten erkennen. Dieser Prozess kann von Menschen überwacht werden, muss es aber nicht. Deep Learning mit neuronalen Netzen ist eine Unterkategorie des maschinellen Lernens, die z.B. beim autonomen Fahren und bei der Bildverarbeitung in der Industrie eine Rolle spielt.
Wie profitieren die Gerätehersteller?
Aus dem Vorangegangenen ergeben sich mehrere greifbare KI-Anwendungsfälle für Maschinenbauer:
- Vorausschauende Wartung
- Vorausschauende Leistung
- Automatisierung von Simulationen
- Verstärkung und Automatisierung von Geschäftsprozessen
Gleichzeitig bleibt die autonome Organisation und Steuerung sogenannter Light-Out-Fabriken – also autonom und adaptiv gesteuerter Fabrikhallen, die kein Licht mehr benötigen, weil niemand mehr in ihnen arbeitet – für viele Unternehmen vorerst eine Zukunftsvision. Es gibt jedoch Möglichkeiten, bestehende Prozesse mithilfe von KI-basierten Technologien zu optimieren.
Die folgenden Beispiele aus dem Adamos Store veranschaulichen eine Anwendung von künstlicher Intelligenz im Maschinenbau, einem Bereich, in dem immer mehr KI-bezogene Lösungsmodule verfügbar sind.
Künstliche Intelligenz in der Industrie 4.0: Prädiktive Wartung
Die vorausschauende Wartung ist wahrscheinlich die bekannteste Anwendung von maschinellem Lernen im Maschinenbau. Vorausschauende Wartung bezieht sich auf die Instandhaltung von Geräten und Systemen. Bei entsprechenden Methoden wird die künstliche Intelligenz darauf trainiert, kritische Zustände und Abweichungen von Standards anhand von Maschinendaten selbständig zu erkennen. Das Auftreten eines solchen Szenarios weist auf bevorstehende Fehlfunktionen und Wartungsbedarf hin. Dann können Maschinenhersteller und ihre Kunden gezielte Maßnahmen ergreifen, um Ausfälle entweder zu verhindern oder optimal zu planen. Gleichzeitig reduzieren sie Ausfallzeiten und die Anzahl überflüssiger Routineinspektionen.
Die Software für künstliche Intelligenz Senseye PdM generiert Modelle für das Verhalten von Geräten und Wartungspersonal. Mithilfe von Optionen kann die Lösung auf das Geschäft des Anwenders zugeschnitten werden und verspricht reduzierte Maschinenausfallzeiten, erhöhte Nachhaltigkeit und geringere Betriebs- und Wartungskosten.
Prädiktive Exzellenz
Im Gegensatz zu Predictive Maintenance bezieht sich Predictive Quality auf die Herstellungsverfahren. Das Ziel der Prozessqualitätssicherung ist es, Ausschuss zu reduzieren. Datenanalysen dokumentieren relevante Faktoren, die zu Vorhersagen über die zukünftige Qualität beitragen; bei Bedarf können Maßnahmen zu deren Verbesserung ergriffen werden. Um dieses Ziel zu erreichen, decken Analysen unerkannte Muster und Korrelationen auf, die dann in Prognosemodelle einfließen, die Wahrscheinlichkeiten für die Prozess- und Produktqualität errechnen.
PwC Factory Intelligence ist eine Sammlung intelligenter Anwendungen auch für prädiktive Qualität zur frühzeitigen Erkennung von Qualitätsproblemen durch automatisierte Korrelation von Produktionsparametern und Produktqualität – die Software schlägt auch Korrekturmaßnahmen vor.
KI in der Industrie 4.0: Automatisierte Simulationen
Es gibt auch Möglichkeiten für KI-Implementierungen in der Konstruktion. In diesem Bereich führen Maschinenkonstrukteure häufig Simulationen durch, die rechen- und zeitintensiv sind. Durch den Einsatz von maschinellem Lernen kann die erforderliche Anzahl von Simulationsverfahren drastisch reduziert werden. In diesem Fall nutzt eine maschinelle Lernlösung (ML) verschiedene Simulationsergebnisse und Parameter. Sie erkennt statistische Korrelationen in diesen Daten und kann das Ergebnis zukünftiger Simulationen auf der Grundlage dieser Korrelationen präzise vorhersagen. Dies senkt den Arbeitsaufwand, die Energiekosten und die Zeit bis zur Markteinführung.
Esprit CAM ermöglicht die Nutzung des digitalen Gegenstücks einer Werkzeugmaschine zur Programmierung, Optimierung und Simulation. KI erleichtert die automatische Auswahl von Prozessen, Bearbeitungsstrategien, Werkzeugen und Schnittbedingungen.
Automatisierung und Unterstützung von Geschäftsprozessen
Wenn es um die Automatisierung von Arbeitsabläufen geht, eignen sich KI-Systeme besonders gut für sich wiederholende Aufgaben. Dieser Begriff bezieht sich auf Aufgaben, die einen relativ geringen kognitiven und kommunikativen Aufwand erfordern und eine große Menge an eindeutigen Daten beinhalten.
up2parts steigert die Effektivität von Prozessen wie Kalkulation, Kostenvoranschlag, Auftragserstellung und Arbeitsvorbereitung. Der up2parts-Algorithmus nutzt Komponenteninformationen aus vorhandenen 3D-Modellen und vorhandenem Fertigungswissen. Durch kontinuierliches Training der individuellen künstlichen Intelligenz passt sich die KI-basierte Software an das Fertigungsportfolio des jeweiligen Unternehmens an.
Workist verarbeitet eingehende Auftragsdokumente automatisch und überträgt die Auftragsdaten mit Hilfe der künstlichen Intelligenz an ein ERP- oder CRM-System. Wenn die KI unsicher ist, ob die erfassten Daten korrekt sind, geben menschliche Sachbearbeiter ein Feedback. Die KI lernt aus diesem Feedback, um die Daten in Zukunft häufiger zu erkennen.
Kleine Maßnahmen führen zu einer großen Lösung
Zusätzlich zu den im Adamos Store vorgestellten Tools haben Maschinenbauer jetzt Zugang zu schnell einsetzbaren KI-Lösungen, mit denen sie zeitnah, ohne Spezialwissen und mit minimalem Risiko mit neuen Methoden experimentieren können. Unternehmen können durch die Nutzung der vorgestellten und anderer verfügbarer Anwendungen viel über die Daten ihrer Maschinen und deren Zusammenhänge lernen. Sobald dieses grundlegende Wissen vorhanden ist, steht der Aufnahme weiterer KI-Anwendungen in ihr Portfolio nichts mehr im Wege.