Hannover Messe

Matthias Roese, HPE / am,

Künstliche Intelligenz in der Fertigung

Die KI-Einführung in der Fertigung scheitert oft beim Übergang vom Proof of Concept in den Regelbetrieb. Vermeiden lässt sich das nur mit einem Ansatz, der das gesamte Spektrum von kaufmännischen, technischen und organisatorischen Abhängigkeiten berücksichtigt.

Die Einführung Künstlicher Intelligenz in der Fertigung ist nicht ganz trivial. © HPE

Die Fertigungsprozesse eines metallverarbeitenden Betriebes sind hochgradig automatisiert. Ein Lagersystem stellt das angeforderte Blech bereit, Fördereinrichtungen liefern es direkt an die Maschinen, und nach jedem Bearbeitungsschritt findet eine Qualitätsprüfung statt.

Diese regelbasierte Automatisierung wird für das Unternehmen aber zunehmend zum Problem. In den letzten Jahren sind die Losgrößen kontinuierlich kleiner geworden – wegen veränderter Kundennachfrage und zuletzt auch aufgrund von Lieferengpässen. Jedes neu zu fertigende Teil erfordert ein neues Einfahren der Anlagen, für jeden einzelnen Prozessschritt müssen Parameter bestimmt und getestet werden. Dieser Aufwand macht die Produktivitätsgewinne durch Automatisierung zunichte, die Gesamtanlageneffektivität sinkt.

Es waren Szenarien wie dieses, die die Initiatoren des Industrie-4.0-Konzepts im Sinne hatten, als sie die „Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0“ vorstellten. Sie formulierten das Leitbild einer sich selbst steuernden und sich selbst konfigurierenden Produktion, die im Idealfall auch bei Losgröße 1 die Effektivität einer Massenproduktion hat. Damit wurde zugleich die künstliche Intelligenz (KI) de facto zum Treiber der vierten industriellen Revolution erklärt. Denn sie geht genau den Schritt von einer regelbasierten Automatisierung zu einer situativen Selbststeuerung, und nur sie ist in der Lage, aus historischen und Echtzeitdaten eigenständig Schlüsse zu ziehen, um auf ungeplante Ereignisse adäquat, präzise und schnell zu reagieren.

Anzeige

Das PoC-Scheitern ist nur ein Symptom

Etliche Jahre später ist die Situation allerdings ernüchternd. Laut einer aktuellen Umfrage von YouGov und Hewlett Packard Enterprise sagen 85 % der Vorstände und Geschäftsführer in Deutschland, Österreich und der Schweiz, dass in ihrem Unternehmen keine Analytics- oder KI-Methodiken zum Einsatz kommen, und zwei Drittel geben an, dass ihr Unternehmen keine Datenstrategie habe. Ausschlaggebend für den geringen KI-Nutzungsgrad ist, dass sehr viele KI-Projekte nicht über eine Testphase, den so genannten Proof of Concept (PoC), hinauskommen. In vielen Fällen unterschätzen Fertigungsunternehmen die systematischen Herausforderungen der KI-Einführung.

Die Art und Weise, wie die PoCs aufgesetzt werden, ist dafür nur ein Symptom. Sie finden in der Regel in einer geschützten Umgebung statt, der Fokus liegt auf der Anwendung und dem Trainieren der KI-Modelle mit Daten – aber es wird vernachlässigt, die KI-Lösung in die bestehende Informations- und Fertigungstechnologie und deren Prozesse einzubinden, etwa in das Lebenszyklus-Management von Anwendungen und Daten, die Security, betriebliche Planungs- und Steuerungsprozesse und die Betriebssicherheit. Damit lässt sich weder die technische Machbarkeit seriös belegen noch ein solider Business Case kalkulieren.

So langweilig und mühsam das klingen mag – die Einführung von KI in der Fertigung kann nur in einem ganzheitlichen Ansatz erfolgreich sein. Der PoC ist dabei nur die Spitze des Eisbergs – einer der letzten Schritte in einer logischen Folge von Entscheidungen und Projekten: Aus Strategien leiten sich Initiativen ab, die mittels technischer, organisatorischer und kultureller Transformations-Aktivitäten umgesetzt werden. Ein ganzheitlicher Ansatz für die KI-Einführung in der Fertigung umfasst unter anderem die folgenden Aspekte:

Wertschöpfung – Nutzen- und Kostenanalyse

Die Wertschöpfung beim Einsatz von KI entsteht durch Informationen, Erkenntnisse und daraus abgeleitete Handlungen und Prozesse. Die verfügbaren Daten sind dafür die Basis. Die Wertschöpfungsanalyse bewertet einerseits den Nutzen der mithilfe von KI gewonnenen Informationen; anderseits ermittelt sie die Qualität der Daten und den Aufwand für die Datengewinnung und -aufbereitung sowie die damit verbundenen Investitionen für die operative Fertigung. Als Ergebnis steht das Geschäftsmodell (Business Case).

Prozess – Entwicklung und Einführung der KI-Anwendung

Kommt die Wertschöpfungsanalyse zu einem positiven Ergebnis, beginnt die Entwicklung und Einführung der KI-Anwendung. Diese sollte einer „DevOps-Philosophie“ folgen, bei der alle relevanten Teams aus Fertigung und Betrieb sowie KI- und IT-Experten zusammenarbeiten. Damit wird sichergestellt, dass die Integration in die IT- und Fertigungs-Prozesse von Anfang an berücksichtigt wird. Das KI-Lösungs-Design legt als erstes die zu verwendende KI-Methode, die zu verwendende Software sowie die Trainingsdaten und deren Aufbereitung fest. Das weitere Vorgehen folgt dann grundsätzlich den folgenden, mehrfach durchlaufenen Schritten:

  • Datenvorbereitung (Data Prep)
  • Aufbau des Modells (Build)
  • Trainieren des Modells (Train)
  • Ausrollen des Modells (Deploy)
  • Monitoren des Modells (Monitor)
  • Anpassung des Modells (Build)

Technologie – Daten von den Anwendungen entkoppeln

Die zuvor beschriebenen Prozesse finden in IT- und Fertigungs-Umgebungen statt, die in vielen Unternehmen hochgradig fragmentiert sind – das heißt, es gibt keinen durchgängigen Zugriff auf Werkzeuge und Daten, Prozesse passen nicht zueinander, es fehlen Standards und integrierte Sicherheitskonzepte. Eine solche Umgebung versetzt der KI-Einführung spätestens nach dem PoC den Todesstoß. Die Grundlage für die Lösung dieses Problems ist die Einführung einer datenzentrischen Architektur. Im Kern entkoppelt sie die Daten von den sie erzeugenden Applikationen, indem sie über eine zentrale Datendrehscheibe (Data Hub) kanalisiert werden. Jede Applikation fungiert als „Produzent“ von Daten für den Data Hub, jede Abfrage ist „Konsument“ des umfassenden, verteilten Datenbestands. All das ist eingebettet in einen übergreifenden Kontrollrahmen (Data Governance Framework).

Kompetenzen – interdisziplinäre Zusammenarbeit

KI-PoCs werden in vielen Fällen deshalb zu eindimensional aufgesetzt, weil sie von Data Scientists ausgeführt werden, die zwar viel von Daten und Modellen verstehen, aber weniger von Systemarchitekturen und IT-Prozessen – und schon gar nichts von den Abläufen in einer Fabrik. Eine erfolgreiche KI-Einführung erfordert eine richtige Mischung der Kompetenzen aus verschiedenen Fachbereichen, um die Anwendung selbst und ihre Einbindung in IT- und Fertigungsabläufe zu planen, zu entwickeln, auszurollen und in den Betrieb zu überführen. Ein typisches Team besteht aus den folgenden Rollen, die von Personen aus dem eigenen Unternehmen oder von einem Dienstleister besetzt werden können:

  • Business-Analysten zur Bewertung der Wertschöpfung und der Kosten,
  • Data Scientists für die Bewertung des Verfahrens, die Aufbereitung der Daten sowie das Modell-Training,
  • Spezialisten für maschinelles Lernen, die in der Lage sind, neuronale Netze aufzubauen,
  • Daten-Ingenieure zur Planung und zum Aufbau der Data-Pipeline sowie der Aufbereitung der Daten,
  • Software-Ingenieure, die die Einbettung in die verteilte Umgebung sicherstellen,
  • und schließlich einem Projekt-Manager.

Kontinuierlicher Übergang von der Automatisierung zur Autonomie

Die gute Nachricht ist, dass es einen kontinuierlichen Übergang von der Automatisierung zur Autonomie gibt. Das zeigt das Beispiel des zu Beginn genannten Metallverarbeiters. Der Betrieb hat begonnen, seine regelbasierte Automatisierung durch KI-Methoden zu ergänzen und die serielle Kopplung der Verarbeitungsstationen allmählich in ein System von flexibel ansteuerbaren Arbeitsstationen umzuwandeln. Diese sollen in der Lage sein, gleichzeitig verschiedene Aufträge zu bearbeiten, und die Konfiguration soll selbstständig und im Idealfall ohne Testlauf geschehen.

Dazu hat der Betrieb zunächst für ausgewählte Verarbeitungsschritte präskriptive Verfahren eingeführt, das heißt Handlungsempfehlungen etwa für die Parameterwahl auf der Grundlage von maschinellem Lernen. Die Empfehlungen werden noch nicht autonom umgesetzt, sondern zunächst von einem Fertigungsmitarbeiter geprüft. Zudem wird der Status interner und externer Lieferketten prognostiziert und bei der Fertigungssteuerung berücksichtigt. In einem nächsten Schritt soll das System nun zu autonomem Handeln befähigt werden.

So sollen beispielsweise die Ergebnisse der Qualitätsprüfung falls notwendig eine dynamische, selbstständige und anlagenübergreifende Justierung der Parameter auslösen. Gerade beim Schweißen ist es dabei sinnvoll, auch die vorherigen Prozessschritte einzubeziehen und über den gesamten Herstellungsprozess zu lernen. Für die optimale Nutzung des Rohmaterials ist dann zusätzlich die intelligente Anbindung an das Lagerhaltungssystem und den Auftragseingang geplant.

Wie für die meisten anderen Unternehmen ist es für diesen Betrieb noch ein weiter Weg bis zu einer vollständig autonomen Fertigung – allerdings stellt er durch die beschriebene ganzheitliche Vorgehensweise sicher, dass er auf diesem Weg tatsächlich Fortschritte macht.

Hannover Messe, Halle 5, Stand E33

Anzeige

Das könnte Sie auch interessieren

Anzeige

Fachmessen

Comeback der Industriemessen

Noch im Frühjahr 2022 verschoben die Veranstalter große Industriemessen kurzfristig in den Sommer, doch dann zeigten Aussteller und Besucher, wie wichtig Messen weiterhin als Treffpunkt und Informationsquelle sind.

mehr...

Berufsbildung

Mobile Systeme machen Schule

Die Industrie 4.0 stellt die Automatisierungsbranche vor die Herausforderung, gut ausgebildeten Nachwuchs zu sichern, um die Innovationskraft des Wirtschaftsstandortes Deutschland zu erhöhen.

mehr...
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige