Ein Beitrag von Nils Klute, IT-Fachredakteur und Projektmanager IoT beim eco – Verband der Internetwirtschaft e. V.
Produktionsprozesse optimieren, Ausschuss reduzieren und Anlagen verfügbar halten – was künstliche Intelligenz (KI) in der Fertigung leisten kann, ist in der Industrie noch nicht überall bekannt. Wie Mittelstand und KI erfolgreich zueinanderfinden, erklärte Dr. Gunar Ernis vom Fraunhofer-Institut jetzt im Webinar von Service-Meister.
Wer Kinder hat weiß: Kein ruhiger Schlaf ohne ausreichend saugfähige und damit trockene Windeln. Was Eltern und Nachwuchs das Leben angenehmer macht, stellt die Industrie vor große Herausforderungen. Die Produktion der sogenannten Superabsorber ist technologisch anspruchsvoll. Um Ergebnisse mit der notwendigen Saugkraft zu erzeugen, gilt es, die Prozesse optimal zu steuern. Feinste Abweichungen in der Rohstoffqualität, leichte Temperaturschwankungen in der Fabrik und je nach Durchsatz variierende Eigenschaften einer Maschine machen die Sache schwierig. Die Lösung liefern Big Data und KI. Machine Learning (ML) simuliert Fertigungsprozesse und steuert Verfahren in Echtzeit. Schwankungen lassen sich ausgleichen und stets optimale Hygieneprodukte erzeugen, wie der VDI-Statusreport Chancen mit Big Data festhält. „Was KI und Machine Learning in der Produktion leisten können, ist in der Industrie noch nicht überall bekannt“, sagte Dr. Gunar Ernis. Der Geschäftsfeldleiter Industrial Analytics beim Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme (IAIS) erklärte im Webinar von Service-Meister, wie sich die industrielle Fertigung datengetrieben optimieren lässt.
Mittelstand arbeitet an Data Readiness
Eine Expertenbefragung der Technologiestiftung Berlin aus dem Juni 2020 hält fest: Im Mittelstand nutzt nur eine Minderheit KI-Systeme. Woran das liegen kann? „Zwar sind die Firmen sehr an praxistauglichen Anwendungen interessiert, aber es fehlt am notwendigen Data Science-Know-how“, sagte Ernis. Um den Einstieg zu finden, müssen die Unternehmen an ihrer Data Readiness arbeiten. Heterogene Datenlandschaften, Informationssilos und monolithische IT-Systeme, die nicht skalieren können, bremsen den Einsatz von KI aus. Herausforderungen wie diese löst das Fraunhofer-Leitprojekt Machine Learning for Production: „ML4P stellt mittelständischen Anwendern industrietaugliche Tools für den effizienten Einsatz von ML-Methoden bereit und unterstützt die Firmen mit einem Vorgehens- und Rollenmodell“, sagte Ernis.
Welche Abläufe möchte ich mit KI unterstützen? Welche Datenquellen und Technologien sind dafür notwendig? Und wie zahlen sich Investitionen aus? Ernis: „Wir definieren Ziele, klären Fragen, bereiten die Umsetzung vor und binden darüber hinaus alle Projektbeteiligten ein.“ Egal, ob Prozess-, IT-Securityexperten oder Automatisierungsingenieure – kommt KI ins Spiel, muss ihr Know-how schließlich an einen ML-Spezialisten fließen, der später die Modelle programmiert.
Reifegrad des eigenen Data Managements entscheidend
„Im nächsten Schritt geht es um die Datengrundlage für die Analysen“, sagte Ernis. „Je nach Reifegrad des eigenen Data Managements fällt hier mehr oder weniger Arbeit an.“ Während einige Firmen bislang nur vereinzelt Daten nutzen, um Entscheidungen auf Projektebene ad-hoc zu treffen, setzen andere bereits auf eine breite Informationsbasis, um Abläufe kontinuierlich zu verbessern und zu analysieren. „Ob Log-Files, Prozess- und Zustandsparameter – je mehr Informationen Firmen sammeln, desto besser“, sagt Ernis. Am besten speichern Firmen alle Daten in einem Data Lake. Hier lassen sich heterogene Informationen ablegen, aufbereiten und zudem Metadaten trennen.
Finden schließlich Datensammlung, KI und ML im konkreten Projekt zusammen, lässt sich die Fertigung nicht nur datenbasiert simulieren, planen und optimieren, sondern realzeitlich steuern. ML-Modelle prognostizieren, wie sich beispielsweise variierende Solleigenschaften von Rohstoffen oder abweichende Verfahrensparameter auf die Zielqualität eines Erzeugnisses auswirken. Die Ergebnisse der KI-Analysen lassen sich dann nutzen, um gegenzulenken. „Ist die Maschine in der Lage, sich selbst intelligent zu kontrollieren und Schwankungen auszugleichen, kann sie die Produktion optimieren.“ Das Ergebnis: Maximale Qualität, minimaler Ausschuss.
KI im Mittelstand: Zahlreiche Use Cases, enormes Potential
„Es existieren zahlreiche Use Cases, die das enorme Potential von KI bestätigen“, sagte Ernis. Und eine Studie des eco Verbands der Internetwirtschaft unterstreicht: Wird KI auch im Mittelstand flächendeckend eingesetzt, ist ein Wachstum des Bruttoinlandsprodukts von über 13 Prozent bis 2025 (im Vergleich zu 2019) realistisch, was einem Gesamtpotenzial von rund 488 Milliarden Euro entspricht.
Dieser Artikel hat Ihnen gefallen? Dann abonnieren Sie unseren Newsletter und erhalten Sie regelmäßige Updates zu ähnlichen Themen und zum Projekt Service-Meister und diskutieren Sie mit uns zu diesem und ähnlichen spannenden Themen in unserer LinkedIn Gruppe.