Künstliche Intelligenz – keine Zukunftsvision, sondern ein etabliertes Werkzeug im industriellen Alltag

Mit dem Begriff der künstlichen Intelligenz sind unterschiedliche Vorstellungen und Erwartungen verknüpft. In der öffentlichen Wahrnehmung wird sie die Welt revolutionieren und in der Fähigkeit, sie zu beherrschen liegt der Schlüssel für eine zukünftige Führungsrolle, als Unternehmen, als Staat, als Gesellschaft. Doch die Hürden sind groß. Nahezu alle visionären Ideen prallen auf das Problem der verfügbaren Daten. Entweder ist es nahezu unmöglich, Daten in einer Qualität und Menge zu beschaffen, die realistische Modelle erlaubt oder es wäre zwar möglich, scheitert aber am meist berechtigtem gesellschaftlichen Widerstand oder anderen Interessenskonflikten.
Bild: Parametric Technology GmbH

Während dazu immer größere öffentliche Forschungsprojekte entstehen, die alle Probleme der Moderne lösen sollen – vom Verkehr über die Gesundheit und die Bildung bis zum Klimawandel – wachsen in der Realität weitgehend unbemerkt konkrete Szenarien.

Das heute schon Machbare im Fokus

Kern dieser Szenarien ist, den Fokus statt auf die Vision auf das konkret Machbare zu legen und das konsequent zu Ende zu denken: vom Prototypen bis hin zu industrietauglichen Lösungen, die einen konkreten Mehrwert liefern und Widerstände zu überwinden. PTC hat früh begonnen, die Möglichkeiten der künstlichen Intelligenz (KI) in industrielle Abläufe einzubauen und als kommerzielles Softwareunternehmen dabei einen Schwerpunkt auf den Machbarkeit und Mehrwert gelegt. So ist eine Vielzahl von Lösungen entstanden und in die Praxis eingezogen, denen man ihren KI-Anteil zunächst gar nicht ansieht, da sie ihn nicht als Selbstzweck präsentieren, sondern als Innovation, die sich selbstverständlich anfühlt.

Strukturierung und Auswertung großer Datenmengen

Bei der angewandten KI kann man zwischen den Algorithmen unterscheiden, die für den Anwender unsichtbar in der Software verbaut sind und einen ganz gezielten Entscheidungsprozess unterstützen und denjenigen Algorithmen, die darauf warten mit den Daten unserer Kunden gefüttert zu werden, um individuelle Fragen zu beantworten. Das wesentliche Kriterium für erfolgreiche KI-Anwendungen liegt dabei in der Menge und Qualität der Daten, mit denen die Algorithmen trainiert wurden und arbeiten. Die Aufgabenstellung muss dafür klar definiert und konstant sein. Hält man diese beiden limitierenden Faktoren unter Kontrolle, kommen die Vorteile von KI zur besten Entfaltung, und sie kann ihre größte Stärke ausspielen: aus sehr großen und unüberschaubaren Datenmengen die richtigen Schlüsse ziehen.

Anwendungsfall Produktdesign

Ein großes Anwendungsfeld ist dabei das industrielle Produktdesign. Hier übernimmt künstliche Intelligenz die Rolle der Evolution und sorgt für eine extreme Anpassungsfähigkeit eines Produktes an seine Anforderungen in der Form, im Material, den Kosten, dem Betriebsverhalten. Anhand von Rahmenbedingungen, regelmäßig gesammeltem Erfahrungswissen aus Betrieb und Service und konkreten Versuchen können KI-gesteuerte Algorithmen stark optimierte Bauteile entwerfen. Diese sind bei geringerem Gewicht und geringeren Kosten belastbarer und können mit individueller Softwaresteuerung versehen werden, um ihr Verhalten aktiv anzupassen. Industrieprodukte, die uns heute im Alltag umgeben, werden zunehmend komplexer. Das liegt neben dem wachsenden Softwareanteil vor allem auch am Fertigungsprozess. Dank der additiven Fertigung können ganz neue Strukturen entstehen, wo das Produktdesign sich zuvor den physischen Grenzen des Drehens, Fräsens oder Stanzens unterwerfen musste. In der additiven Fertigung werden Produkte mit Hilfe von erstellten Gitterstrukturen gedruckt. Diese Strukturen können äußerst komplex ausfallen, und genau hier eignet sich KI hervorragend, diese Komplexität zu beherrschen. Die CAD-Software Creo setzt mit der neuesten Version 7 bei der Topologieoptimierung auf die Anwendung von KI, die künftig bestimmen kann wie die ideale Gitterstruktur aussehen muss, um bestimmte Produkteigenschaften wie Gewicht oder Belastungspunkte zu erfüllen. Man spricht hierbei von Generative Design, das den klassischen Produktionsprozess revolutionieren wird. Der Markt für Software mit Generative Design-Werkzeugen wird bis 2030 auf fast $45 Milliarden anwachsen (s. https://www.digitalengineering247.com/article/engineering-productivity-to-drive-generative-design-to-more-than-16-million-users-by-2030). Diese Art der KI ist vergleichbar mit minimalinvasiver Chirurgie: verändere nur da etwas, wo es wirklich etwas bringt. Sie ist damit in jeder Hinsicht wirtschaftlich wie ökologisch nachhaltig und sorgt für elegante, begehrenswerte Produkte.

Bild: Parametric Technology GmbH

Augmented Reality: Sehen lernen

Ebenso attraktiv ist der Einsatz künstlicher Intelligenz im Kontext von Augmented Reality (AR). Angesiedelt an der Grenze zwischen digitaler Welt und realer Welt wandelt sie Objekte oder Areale der Wirklichkeit in konkrete, berechenbare Fakten um. Das läuft nach dem Prinzip der Mustererkennung ab: ein diffuses Bild wird mit bekannten Mustern verglichen. Wenn eine hinreichende Ähnlichkeit gefunden wird, gilt das Bild als erkannt, andernfalls wird entweder gelernt (das diffuse Bild wird mit einem neuen Begriff versehen, der benennt, was es darstellt), erneut probiert oder aufgegeben. Auch hier verbirgt sich KI in der Software, die für das korrekte Erkennen der Objekte verantwortlich ist. Mit dem sogenannten Deep Learning-Verfahren können digitale Objekte mit all ihren Details analysiert und erlernt werden, um sie später in der Wirklichkeit von jedem Winkel aus wiederzuerkennen. Das Prinzip ist identisch mit dem des menschlichen Sehens und ist für uns Menschen ganz intuitiv und einfach umzusetzen. Für dessen Imitation durch eine Software allerdings müssen dazu alle relevanten Daten der Wirklichkeit aufgenommen und verstanden werden. Das ist ein äußerst rechenintensiver Prozess. Auf dieser Basis gibt es eine große Anzahl von Anwendungen. z.B. nutzt ein Hersteller von E-Autos diese Technologie, um angelieferte oder in der Werkshalle herumliegende Bauteile zu identifizieren und ad hoc genaue Informationen aus dem Warenwirtschaftssystem zu erhalten oder direkt diese Bauteile nachzubestellen. Interessant ist dabei, dass zum Trainieren der KI das digitale CAD-Modell ausreicht, um in der realen Welt Objekte zu erkennen. Dadurch lässt sich der Prozess vollständig automatisieren und auf das gesamte Ersatzteillager anwenden.

Mit digitalen Zwillingen zur vorbeugenden Wartung

Ein ganz anderes Verfahren der KI, bei dem es nicht um die Erkennung oder Optimierung einer komplexen Topologie geht, ist die Vorhersage von Ereignissen. Das sogenannten Maschine Learning baut auf Basis eines digitalen Zwillings einer Maschine eine Art Verhaltensgehirn auf, das zwischen gewolltem und ungewolltem Verhalten unterscheiden und aus einzelnen Verhaltensmustern Prognosen ableiten kann, vergleichbar mit dem Menschen, der anhand eines Grummelns im Bauch baldigen Hunger oder anhand eines Kribbelns in der Nase baldiges Niesen erkennt. Die Anwendungen sind Szenarien rund um die Vorhersage von Störfällen und die Planung von Wartungsbesuchen. KI schützt hier vor unnötigen Wartungseinsätzen, die Material- und Arbeitszeitkosten erzeugen, ebenso wie vor ungeplanten Ausfällen von Maschinen, die im Zweifel extrem teuer werden können – im Schnitt kostet über alle Industrien hinweg nur eine Stunde Ausfallzeit €220.0002 (s. https://www.aberdeen.com/techpro-essentials/stat-of-the-week-the-rising-cost-of-downtime/), für betriebskritische Maschinen kann es aber auch schnell in die Millionen gehen. Wie dramatisch so ein Ausfall sein kann zeigt sich bei einem global agierendem Chemieunternehmen, das eine Abgasverbrennungsanlage in einem Chemiepark betreibt. Würde diese Anlage ungeplant ausfallen, müssten alle angeschlossenen Produktionsfabriken ihren Betrieb ebenfalls stoppen. Die Kosten steigen also pro ausgefallener Stunde rasant an. Mit Hilfe von KI, verbaut in der Industrial Internet of Things (IIoT)-Plattform ThingWorx von PTC, wurde ein Vorhersagemodell entwickelt, mit dem man solche Ausfälle zuverlässig prognostizieren kann und ihnen vorbeugen kann. Am Markt zählt dieser Anwendungsfall, bekannt als Predictive Maintenance, zu den prominentesten Vertretern für starke Wertschöpfungspotenziale.

Digital Thread: Den gesamten Produktlebenszyklus im Blick

Bild: Parametric Technology GmbH

Noch tiefer integriert im Prozess führt KI vom beobachtenden zum begleitenden digitalen Zwilling. Eine Fortsetzung des Vorhersagemodells für Betrieb und Service einer Maschine ist der Einsatz derselben Technologie bei ihrer Entwicklung. Letztendlich werden dabei die Methoden aus Design, Vorhersage und AR zusammengeführt und auf das ganze System angewandt, beispielsweise die Entwicklung eines Fahrzeuges. Eine beliebige Zahl von Sensoren beobachtet dabei das Verhalten eines Produktes im Betrieb, etwa wenn es beschleunigt, Bremst, lenkt, und vergleicht das Verhalten mit dem, was nach internen Berechnungen geschehen sollte. Aus dem Unterschied lernt das System, so lange bis das berechnete mit dem tatsächlichen Verhalten übereinstimmt. Ab dann können Vorhersagen gemacht werden: etwa für Produkttests, die zeitaufwendig oder sehr teuer sind, weil Produkte dabei zerstört werden, oder für die Variantenplanung und deren Tests. Es kann sehr viel Geld gespart und gleichzeitig sehr viel mehr probiert werden, um die am besten passenden Produkte zu erschaffen. Ein digitaler Zwilling bietet zahlreiche Wertschöpfungspotenziale und ist eine echte Killer-Applikation für Industrieunternehmen. Der Weg dorthin gehört allerdings auch zu einer der Königsdisziplinen im Rahmen der digitalen Transformation. Der gesamte Produktlebenszyklus von der Entstehung über die Fertigung bis hin zum Einsatz beim Kunden muss in Form von Daten aufgenommen werden. Fällt das Produkt aus und muss es von einem Servicetechniker gewartet werden, so wird auch diese Information verwahrt und an die Entwicklungsingenieure zurückgespielt, um die Qualität zu erhöhen. Diese Informationen zum Produktlebenszyklus sind auch als Digital Thread bekannt. Ein Unternehmen, das diese Königsdisziplin sehr erfolgreich gemeistert hat, ist der Fahrzeughersteller Polaris. Polaris hat sämtliche Datensilos entlang des Digital Threads eliminiert und ist jetzt in der Lage, für die hergestellten Fahrzeuge ein holistisches Verständnis zum gesamten Lebenszyklus zu erhalten.

Entscheidungen von Entwicklungsingenieuren verfügbar machen

Derartig in Entwicklungsprozesse integriert, kann KI zum täglichen Begleiter für Ingenieure werden. Sie müssen andauernd Entscheidungen fällen, die von sehr viel mehr Information abhängen, als sie im Kopf haben können. Etwa, ob sie ein Bauteil neu schaffen oder auf ein vorhandenes zurückgreifen, welches Material sie wählen, welche Tests sie einplanen, welche Art der Verbindung sie wählen, welches Produktionsverfahren, wo sie einkaufen. Nach dem Muster von Amazon: „andere Ingenieure, die ein ähnliches Problem haben, haben so entschieden…“ kann KI zu enormen Einsparungen führen. Jede Entscheidung im Entwicklungsprozess, jede Produktvariante und Stückliste wird für PTC-Kunden in der Produktlebenszyklus-Management-Lösung Windchill gespeichert. Durch die tägliche Arbeit vieler Designer und Ingenieure entsteht somit automatisch eine äußerst wertvolle Datensammlung, die mit KI analysiert werden kann. Will man z.B. herausfinden, an welcher Stelle ein Prozess einen zeitlichen Bottleneck entwickelt hat und welche Ursache dahintersteckt bzw. welche Maßnahmen ergriffen werden sollten, kann KI hier zu einer Antwort verhelfen. Zu den Kunden von PTC zählt ein großes Pharmaunternehmen, das dank dieses Verfahrens zahlreiche Optimierungen in seinen Entwicklungsprozessen erzielen konnte.

Fazit

Wer künstliche Intelligenz sagt, sollte sich bewusst sein, dass sie künstlich ist. Es ist keine echte Intelligenz, denn sie ist immer nur für ein konkretes Ziel oder einen festgelegten Anwendungsbereich mit klar definierten Aufgaben bestimmt. Künstliche Intelligenz ist ein Werkzeug wie andere auch, und genau so gilt für sie: man muss wissen, wie man sie einsetzt und wozu. Die genannten Anwendungsfälle zeigen, dass künstliche Intelligenz keine Zukunftsvision ist. Sie ist bereits heute ein fester und wertschöpfender Bestandteil von industriellen Lösungen, und Kunden von PTC arbeiten täglich damit. Mit ein wenig Übung wird der Umgang mit künstlicher Intelligenz zu einer sehr eleganten und wertvollen Fähigkeit, die Unternehmen im Wettbewerb stärkt und voranbringt.

Parametric Technology GmbH

Das könnte Sie auch Interessieren

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.