Künstliche Intelligenz für den Maschinenbau

Shutterstock

Künstliche Intelligenz (KI) ist eine der wichtigen Technologien zur Umsetzung der Zukunftsvision „Industrie 4.0“. Sowohl die Technologie als auch deren Tools werden stetig weiterentwickelt und sind nicht nur ferne und abstrakte Ideen, sondern auch schon im Produktionsalltag einsetzbare Instrumente.

Die Web-Erfareihe „Künstliche Intelligenz für den Maschinenbau“ greift diese Thematik auf und startete am 13. Mai 2020 mit 38 Teilnehmern, zwei weitere folgten bereits am 08. Juni 2020 mit 50 Teilnehmern und am 08. Juli 2020 mit 57 Teilnehmern.

Die Künstliche Intelligenz hat ein großes Spektrum an Anwendungsmöglichkeiten. Inhalt der Web-Erfas war es, die Nutzenpotenziale für den Maschinen- und Anlagenbau darzustellen und Best-Practices aus Unternehmen aufzuzeigen. Der VDMA KI-Experte Guido Reimann (VDMA Software und Digitalisierung) führte in das Thema ein und stellte einige Zahlen aus dem VDMA-Report Machine Learning im Maschinenbau 2019-2022 vor:

  • 70 % der Unternehmen mit 1-300 Mitarbeitern, 94 % der Unternehmen mit 301-1000 Mitarbeitern und 89 % der Unternehmen mit über 1000 Mitarbeitern, gehen davon aus, dass KI-basierte Produkte oder Dienstleistungen Einfluss auf das aktuelle Geschäftsmodell nehmen werden.
  • Machine Learning (ML) wird bereits heute sowohl in Produkten (Maschinen, Komponenten, etc.) als auch in Dienstleistungen (Predictive Maintenance, Condition Monitoring, Remote Service, etc.) eingesetzt – insbesondere im Bereich der Dienstleistungen wird es nach Einschätzung der Umfrage bis 2022 einen starken Zuwachs geben.
  • Bei der Frage nach Erfahrungen und Effekten von ML-basierten Lösungen gab es unter anderem folgende Antworten: Bei 74 % erhöht sich der Automatisierungsgrad in ihren Prozessen und Entscheidungen, bei 70 % verringert sich der Personalaufwand und 67% sehen eine verbesserte Serviceunterstützung. Weitere Erfahrungen sind, dass sich die interne und externe Kommunikation verbessern und die Prozesszeiten verringern.

Abschließend stellte er die Angebote und Dienstleistungen vor, die der VDMA und auch andere Institutionen im Bereich KI bereitstellen. Dabei werden Inhalte vom VDMA wie Veranstaltungen, Podcasts, Publikationen, Themen der KI-Forschung etc. auf der Informationsplattform https://ki.vdma.org/ gebündelt.

Im ersten Web-Erfa führte Lars Schleithoff, Data Scientist bei der Informationsfabrik GmbH, in die Thematik Erklärbare KI (Explainable AI, XAI) für Machine Learning ein. Bei den Machine Learning-Modellen werden die Ergebnisse in eine sogenannten „Black-Box“ gewonnen. Dabei ist dem Anwender die Lösungsfindung weitgehend undurchsichtig, XAI hingegen liefert eine Beschreibung der Ergebnisfindung, die für den Anwender interpretierbar ist. Einsatzgebiete können beispielweise Demand Forecasting, Predictive Maintenance, Simulation von Prozessen oder Bilderkennung sein. Lars Schleithoff führte XAI bei Demand Forecasting am Unternehmensbeispiel Contintental AG weiter aus. In einem weiteren Vortrag stellte Markus Günther, Produktmanager INFORM GmbH, die KI-Anwendung im Bereich Produktionsplanung vor.

Im darauffolgendem Web-Erfa stellte Markus Merder, Mitarbeiter im Bereich Consulting & Development bei der Adesso SE, den Einsatz von KI für die Service Point-Optimierung vor. Dabei wird der aktuell mehrstufigen Anfrage- und Orderprozess, der einen ineffizienten und langwierigen Angebotsprozess nach sich zieht, unter anderem mithilfe von KI-Anfrageklassifizierung, KI-Projektmatching und KI-Artikelmatching automatisiert und  optimiert. Nach dem manuellen Training des Datenmodells dauerte die Umsetzung und Einführung bei diesem Praxisbeispiel ca. 14 Tage. Eine weitere Problemstellung im Maschinen- und Anlagenbau sind Stillstandzeiten, die mit hohen Kosten verbunden sind. Mithilfe von Condition Based Monitoring und Predictive Maintenance können Fehler in den Maschinen frühzeitig erkannt als auch diagnostiziert werden und somit vorbeugend gewartet werden. Peter Portner, Managing Director DACH bei der Senseye GmbH, stellte ein cloudbasiertes Softwaretool zur automatisierten Überwachung von Assets für die Wartung und Instandhaltung vor. Das Softwaretool wird als Cloud-SaaS vertrieben, ist skalierbar (10-1000 Assets) und agnostisch (unter verschiedenen Umgebungen funktionsfähig), erbringt in fünf Tagen Ergebnisse und benötigt weniger als eine Stunde Training für den Anwender, um dieses Tool selbst zu nutzen. Senseye verspricht einen ROI von weniger als drei Monaten. Herr Portner stellte die Anwendung des Softwaretools anhand der Praxisbeispiele bei den Unternehmen Alcoa, Nissan und Schneider Electric vor und präsentierte auch die jeweiligen Ergebnisse.

Im Web-Erfa am 08. Juli ging Dr. Rudolf Felix (Geschäftsführer, PSI FLS FuzzyLogik & NeuroSysteme GmbH) auf Erklärbare KI, Predictive Maintenance mit KI und das qualitative Labeln von Maschinendaten ein. Er betonte, dass in der Regel KI-Anwendungen aus einem Stack von KI-Methoden bestehen und betonte die Bedeutung von korrekt gelabelten Daten, die hierfür notwendig sind. Der Use-Case von dem Unternehmen Kampf Schneid- und Wickeltechnik stellte das Zusammenspiel der unternehmensinternen Plattform the@vanced zur Sammlung, Aggregierung und Übermittlung von Daten und den PSI-Softwaretools dar. Die übermittelten Maschinendaten werden im PSI-Softwaretool Qualicision ausgewertet und klassifiziert. Deep Qualicision labelt die Maschinendaten auf Basis der Klassifizierung, erlernt kontinuierlich das Maschinenverhalten und ermittelt Anomalien zur prädiktiven Instandhaltung. An das ERP-System PSIpenta sowie an the@dvanced erfolgen kontinuierlich Rückmeldungen über den Status.

Dr. Michael Suciu (Senior Manager Business Development, talpasolutions GmbH) stellte in seinem Vortrag „Mining Data –Data Mining“ am Beispiel des Umschwenkpunktes eines Schaufelradbaggers vor, wie Machine Learning zur Optimierung von Maschinenprozessen im Großanlagenbau genutzt werden kann. Er betonte dabei, dass für eine erfolgreiche Umsetzung eines KI-Projekte eine enge Zusammenarbeit zwischen dem Applikationsexperten mit seinem Domänenwissen und dem Data Scientist mit seinem Knowhow über Datenmodelle und Machine Learning notwendig ist.

Im letzten Vortrag stelle Dr. Christoph Moisel die Schritte von Albrecht Bäumer in Richtung KI dar und berichtete über seine Erfahrungen. Um mit KI-Projekten zu starten, müssen zunächst relevante Use-Cases definiert werden und entschieden werden, ob eine universelle oder spezifische Lösung gesucht wird. Im nächsten Schritt müssen die grundlegenden Voraussetzungen geschaffen werden, um diese Projekte zu starten. Unter anderem muss die Infrastruktur aufgebaut werden, um die relevanten Prozessinformationen zu sammeln und zu digitalisieren. Es bietet sich an, bei der Einführung von KI-Projekten externe Partner mit ihrer Fachexpertise mit einzubeziehen, da das Feld von KI und auch den angebotenen Softwaretools sehr breit ist. Das langfristige Ziel von Bäumer hinsichtlich KI ist es, dem Kunden weiterzuhelfen, seine Prozesse zu optimieren. Neben den intelligenten Maschinen soll die eigens für die Schaumstoffindustrie entwickelten MES „Sophie“ (die Allwissende) den Kunden ermöglichen, mithilfe von KI, ihr Produkt so schnell wie möglich, effizient, wirtschaftlich und in gleichbleibender Qualität zu fertigen.

Der nächste Web-Erfa der Veranstaltungsreihe ist für den 30.09.2020 geplant. Details folgen in Kürze.