Die Maschine denkt mit

KI in Werkzeugmaschinen bedeutet weit mehr als reine Automatisierung. Sie ermöglicht Maschinen, aus Daten zu lernen, Entscheidungen zu treffen und Prozesse zu optimieren. Dabei kommen Sensorik, Datenanalyse, maschinelles Lernen und intelligente Assistenzsysteme zum Einsatz – auf der Steuerungsebene ebenso wie in der Interaktion mit dem Menschen.

Für produzierende Unternehmen gibt es viele Einsatzmöglichkeiten. "Typische Beispiele sind die Prognose von Prozesseigenschaften im Echtzeitbetrieb zur Inline-Qualitätskontrolle und das Überwachen von Prozessen und deren Eigenschaften", sagt Prof. Philipp Klimant, Geschäftsfeldleiter Prozessdigitalisierung und Fertigungsautomatisierung am Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik (IWU) in Chemnitz. "Der Vorteil gegenüber klassischen Ansätzen ist hierbei die Möglichkeit, besonders viele Parameter in die Überwachung mit einzubeziehen", hebt Klimant hervor. Es gebe aber auch zahlreiche weitere Anwendungsfelder, etwa KI-Assistenzmodelle für Schulungen und künstliche Intelligenz zur Unterstützung bei Wartungen.

Das Fraunhofer IWU, das sich auf die produktionstechnische Anpassung von Verfahren des maschinellen Lernens spezialisiert hat, wird von Martin Dix, Welf-Guntram Drossel und Steffen Ihlenfeldt geleitet. Alle drei sind Mitglieder der Wissenschaftliche Gesellschaft für Produktionstechnik (WGP), einem Zusammenschluss deutscher Professorinnen und Professoren der Produktionswissenschaften. Die WGP hat seit Januar die ursprünglich vom BMBF geförderte Initiative ProKI unter ihrem Dach verstetigt und bietet seither ganz praktische Expertise und Demonstratoren insbesondere für kleinere und mittelständische Unternehmen an.

Großer Hebel für Effizienzgewinne

Zu Beginn, so der Tipp des IWU-Forschers, sollte man sich fragen: Wie hoch sind eigentlich die Effizienzgewinne, die durch KI in meiner Produktion möglich sind? "Die Frage nach möglichen Effizienzgewinnen lässt sich nicht ohne Weiteres allgemeingültig beantworten", sagt Klimant. Das Potenzial sei stark vom eigentlichen Prozess und den damit einhergehenden Optimierungsmöglichkeiten abhängig. "Im Bereich der Kunststoffverarbeitung können in seltenen Fällen durchaus Ausschussquoten von 20 bis 30 % vorkommen." Hier sei ein großer Hebel für Effizienzgewinne mit KI. Bei Prozessen, die bereits stabil laufen, kann sie ebenfalls nützlich sein, beispielsweise für vorausschauende Wartung und um längere Werkzeugstandzeiten zu erzielen.

Laut Klimant kann künstliche Intelligenz auch einen wichtigen Beitrag leisten, um dem Fachkräftemangel zu begegnen. "Wir speichern Wissen implizit in der KI. Dieses Wissen kann zum Anlernen von neuen Mitarbeitenden genutzt werden, gerade dann, wenn ältere Kolleginnen und Kollegen in Ruhestand gehen und damit wichtiges Wissen das Unternehmen verlässt", erklärt der Wissenschaftler. "Dieser KI-Wissensspeicher bietet darüber hinaus auch neue Chancen zur Automatisierung, nicht zuletzt für automatisierte Qualitätskontrollen", sagt Klimant.

Künstliche Intelligenz definiert der Forscher dabei so: "Wenn wir über KI sprechen, meinen wir in der Regel das maschinelle Lernen als Untergruppe der KI. Dieses ist in der Lage, selbstständig aus Trainingsdaten zu lernen. Dabei geht es um ein empirisches Verfahren, das Zusammenhänge lernt, ohne dass wir die analytischen Zusammenhänge kennen. Einfach gesagt, wir lernen aus Erfahrung." Durch KI werden in der Produktion die Prozessparameter optimiert und durch ein automatisiertes Regelungssystem in die Prozesssteuerung zurückgeführt. "Künstliche Intelligenz ist wie eine Blackbox, es gehen Eingangswerte rein und Prognosen kommen raus", sagt Klimant. "Als Beispiel kann man hier einen Umformprozess nennen, bei dem wir ein akustisches Signal messen, und die KI sagt uns, ob der Prozess erfolgreich war oder nicht." Am Ende sei es ein digitales System, das sich über vorhandene Schnittstellen an Steuerungen anbinden ließe. Dadurch könne KI Regelalgorithmen an verschiedenen Stellen beeinflussen.

Damit künstliche Intelligenz in der Produktion erfolgreich eingesetzt werden kann, ist mitunter Hardware mit sehr hoher Rechenleistung nötig. "Zunächst gilt es, zwischen der Trainings- und der Nutzungsphase (Inferenz) zu unterscheiden. Die Trainingsphase ist immer rechenintensiver, wird jedoch offline durchgeführt. Bei der Nutzungsphase reichen für klassische Verfahren wie die Support Vector Machine oft Edge Devices aus", sagt Klimant. Anders verhalte es sich beim Thema Bildverarbeitung. Diese KI-Modelle benötigten mehr Rechenleistung, sowohl in der Trainings- als auch in der Nutzungsphase. "Der Anwendungstakt spielt hierbei ebenfalls eine entscheidende Rolle", erklärt der Forscher. Ausgenommen sei hierbei die Auswertung von Sprachmodellen. Diese benötigten rechenstarke Hardware, angefangen bei leistungsstarken Consumer-Grafikkarten bis hin zu speziellen KI-Karten.

Selbstlernende Werkzeugmaschine zur autonomen Fertigung

Mit künstlicher Intelligenz wird die selbstlernende Werkzeugmaschine möglich. Der Fräsmaschinenbauer und EMO-Aussteller Datron setzt auf diese Innovation, bei der die Maschine auf erlerntes Wissen zurückgreift und den Produktionsprozess anpasst. Die Datron-Fräsmaschine soll sich so zur lernfähigen Fertigungszelle entwickeln, die sich automatisch an Bauteilanforderungen und Umgebungsbedingungen anpasst. "Damit senken wir nicht nur Rüst- und Bearbeitungszeiten, sondern steigern auch die Prozessstabilität – ein entscheidender Schritt in Richtung autonomer Fertigung", sagt Jonas Gillmann, Vorstand Technik (CTO) des Maschinenbauers. KI verschiebt so den Fokus weg von starrer Programmierung hin zu assistierter, lernender und adaptiver Fertigung. "Maschinen werden zu Partnern im Fertigungsprozess, die sich dem Menschen anpassen – nicht umgekehrt. Im Maschinenbau ist das keine Vision mehr, sondern wird zunehmend zur gelebten Praxis", sagt Gillmann. KI in der Produktion lockt seinen Worten zufolge mit hohen Effizienzgewinnen: "Durch sie lassen sich in der CNC-Produktion mit Datron-Maschinen Rüstzeiten um bis zu 60 % senken, Ausschuss deutlich reduzieren und Werkzeugstandzeiten verlängern – bei gleichzeitig höherer Prozesssicherheit."