MPDV erläutert Trends für 2020

Wo die werksnahe IT von KI profitiert

Der technologische Einfluss auf die Anwendungen der Fertigungs-IT hat enorm zugenommen. Insbesondere die Künstliche Intelligenz (KI) verbessert die Möglichkeiten der Fertigungs-IT und schafft zudem neue Anwendungsfelder. Im Jahr 2020 wird es wieder viel neue KI-Lösungen geben – auch von MPDV.
Bild: ©Industrial Arts/stock.adobe.com

Grundsätzlich hat sich an der Aufgabenstellung an die Fertigungs-IT wenig geändert – sie soll immer noch den Fertigungsbetrieb unterstützen bzw. optimieren. Was sich geändert hat, ist die Komplexität – Losgrößen werden kleiner, die Variantenvielfalt größer. In Folge dessen wächst die Datenflut, mit der sowohl Software als auch Menschen umgehen müssen. Dabei kann künstliche Intelligenz Abhilfe schaffen. Doch welche Anwendungen haben welches Potenzial, wenn man sie mit künstlicher Intelligenz anreichert?

Predictive Quality

Mit Predictive Quality hat der MES-Hersteller MPDV bereits ein konkretes Produktbeispiel umgesetzt: Grundannahme für die Vorhersage der Qualität ist, dass es auch zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle Prozessparameter innerhalb der jeweils gültigen Toleranzen bewegen. Grund dafür sind komplexe Zusammenhänge und Wechselwirkungen, die oft auf die eigentliche Fertigungstechnologie zurückzuführen sind. Predictive Quality berücksichtigt das und gibt Mitarbeitern in der Fertigung die Möglichkeit, sofort zu sehen, ob der aktuell produzierte Artikel Ausschuss oder ein gutes Teil ist – unter Angabe der Eintrittswahrscheinlichkeit. Damit lässt sich etwa die Qualität eines Motorblocks vorhersagen, während dieser gerade noch abkühlt. So kann entschieden werden, ob es sich lohnt, weiter in ein Teil zu investieren oder ob es direkt wieder eingeschmolzen wird. Der Predictive-Quality-Ansatz nutzt maschinelles Lernen und verarbeitet erfasste Prozessdaten in Echtzeit.

Rüstzeiten minimieren

Im Rahmen der Fertigungsplanung wird auf eine Reihe von Vorgabewerten zurückgegriffen, um eine Grundlage für die Bearbeitungsdauer eines Vorgangs und die Übergangszeiten zwischen zwei Vorgängen eines Auftrags zu haben. Die Rüstzeit ist eine dieser Vorgaben, die bisher meist manuell mit der Stoppuhr gemäß REFA-Verband ermittelt wird. KI kann diese Rüstzeitvorhersage unterstützen. Dazu wird auf Basis historischer Daten aus einem Manufacturing Execution System (MES) ein Modell erstellt, dass Faktoren – wie etwa die Länge der Rüstzeit bezogen auf die Kombinationen aus Artikel, Maschine, Werkzeug – berücksichtigt. Im Rahmen der Modellerstellung können die verwendeten historischen Daten auch auf ihre Eigenschaft als Einflussfaktor untersucht werden. Eine gängige Rüstwechselmatrix kommt dabei schnell an ihre Grenzen, da es einfach zu viele mögliche Kombinationen gibt. Der eigentliche Clou besteht jedoch in der Verwendung des erzeugten Modells und somit in der Vorhersage der Rüstzeit. Wird beispielsweise ein Arbeitsgang auf einer Maschine zu einem bestimmten Zeitpunkt mit einem bestimmten Werkzeug eingeplant, werden diese und gegebenenfalls weitere Daten verwendet, um auf Basis des zuvor erstellten Modells die wahrscheinliche Rüstzeit vorherzusagen. Auch für neue Kombinationen können Rüstzeiten auf Basis von Ähnlichkeitserwägungen abgeschätzt werden. Die KI agiert dabei im Wesentlichen so, wie die manuelle Pflege erfolgen würde. Was die Rüstzeitvorhersage im Vergleich mit der herkömmlichen Methode leisten kann, wurde auf Basis von mehreren realen Produktionsszenarien untersucht. Dabei zeigt sich, dass die KI-basierte Vorhersage den herkömmlichen Vorgabemechanismen deutlich überlegen ist. Aus Analysen geht hervor, dass durch den Einsatz von KI-Systemen rund 20 Prozent neue Kapazitäten in der Produktion frei werden.

Relevante Faktoren

Für viele Unternehmen würde allein die Benennung der tatsächlichen Einflussfaktoren auf Basis historischer Daten schon einen Mehrwert darstellen. Denn oft fehlen Informationen darüber, wie relevant ein Einflussfaktor für die zu erwartende Rüstzeit ist. Die Analyse der Einflussfaktoren auf Ihre Relevanz hin ist quasi ein nützliches Nebenprodukt der Modellerstellug. Die Methodik kann aber auf jedes andere Anwendungsfeld übertragen werden, in dem Vorhersagen von Interesse sind.

Optimierte Fertigungsplanung

Im Vergleich zum bisher heuristischen Vorgehen bei der automatischen Fertigungsplanung kann mit künstlicher Intelligenz ein entscheidender Schritt in Richtung optimale Fertigungsplanung gemacht werden. Im Gegensatz zum schrittweisen Vorgehen der Heuristik, werden mittels Reinforcement Learning zahlreiche Entscheidungsmöglichkeiten geprüft, bevor eine endgültige Planungsentscheidung getroffen wird. Ein Reinforcement Learning (verstärkendes Lernen)-Algorithmus bewertet die getroffenen Entscheidungen, hinterfragt diese und lernt daraus. Mit jeder Entscheidung sammelt das System neue Informationen über die vorhandenen Daten, was Schritt für Schritt die Qualität der Planungsentscheidung verbessert. Die Vorteile: Alle ausschlaggebenden Faktoren wie Aufträge, Arbeitsplätze, Transportwege, Rüstzeiten, begrenzte Ressourcen sowie Personalverfügbarkeiten berücksichtigt das System bereits bei der Entscheidungsfindung. So lassen sich Rüstzeiten minimieren, Durchlaufzeiten verkürzen, die Termintreue erhöhen, Personalkosten minimieren oder eine Materialverfügbarkeitsprüfung durchführen. Beim Einsatz einer entsprechenden Lösung kann der Anwender zudem selbst festlegen, welche Faktoren das System berücksichtigen soll und in welchem Maße.

Automated Data Science

Insbesondere bei der Modellbildung macht sich die Leistungsfähigkeit eines KI-Systems bemerkbar. Diese sind in der Lage, die für die Modellbildung verwendeten historischen Daten selbständig aufzubereiten. Dazu zählt im Rahmen der Vorbereitung auf die eigentliche Modellerstellung neben der Datensynchronisation auch die Anomalie-Erkennung – also das automatisierte Erkennen von Ausreißern und deren Bereinigung. Diese Vorgehensweise wird auch als Automated Data Science bezeichnet. Kombiniert man darüber hinaus das methodische Knowhow eines KI-Spezialisten mit der Praxisnähe eines MES-Anbieters, so können schnell einsetzbare Standardprodukte und flexible Lösungen entstehen. Deren Hauptvorteil besteht darin, dass die zur Verfügung stehenden Daten nicht erst aufwendig vorbereitet werden müssen. Damit sind Kosteneinsparungen von bis zu 80 Prozent gegenüber dem heute üblichen Vorgehen möglich.

Schritt in die Zukunft

Die Nutzung von KI in der Fertigung ist ein grundlegender Schritt in die Zukunft und kann Unternehmen den entscheidenden Wettbewerbsvorteil bieten. Im Zusammenspiel mit einer MES-Software lässt sich dieser Vorteil nutzen. Dabei gilt auf dem Weg zur Smart Factory: In erster Linie geht es um die Anwendung, darauf erst folgt die Technologie.

Thematik: Technologie
MPDV Mikrolab GmbH

Das könnte Sie auch Interessieren

Anzeige

Anzeige

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.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige