[vc_row][vc_column][vc_custom_heading text=“KI am und im Werk“ font_container=“tag:h1|font_size:48|text_align:left“ use_theme_fonts=“yes“ css=“.vc_custom_1701691747017{margin-top: -25px !important;}“][vc_custom_heading text=“Datenbasierte Optimierung für smarte Produktionsprozesse“ font_container=“tag:h2|font_size:28|text_align:left|color:%23676b6d“ use_theme_fonts=“yes“ css=“.vc_custom_1701691765859{padding-bottom: 10px !important;}“][vc_column_text]Dirk Mayer und Olaf Enge-Rosenblatt, Fraunhofer Institut für Integrierte Schaltungen IIS

(Titelbild: Adobe Stock | 616349933 | ART STOCK CREATIVE)[/vc_column_text][ultimate_spacer height=“15″ height_on_tabs=“15″ height_on_tabs_portrait=“15″ height_on_mob_landscape=“15″ height_on_mob=“15″][/vc_column][/vc_row][vc_row][vc_column][vc_custom_heading text=“Kurz und Bündig“ font_container=“tag:h2|font_size:34|text_align:left“ use_theme_fonts=“yes“ css=“.vc_custom_1661761237969{margin-top: -25px !important;}“ el_class=“box-headline“][vc_row_inner el_class=“box-content-wrapper“][vc_column_inner][vc_column_text]Künstliche Intelligenz bietet großes Potenzial für wirtschaftlichen Mehrwert in der Optimierung von Produktionsprozessen. Die Herausforderung besteht in der Integration des maschinellen Lernens in hochgradig individuelle Produktionsumgebungen vom Sensor über die Edge bis zur Cloud. Im Anwendungs- und Testzentrum KI werden Methoden und Werkzeuge entwickelt, um schnell und effizient Lösungen zu finden und so KMUs zu helfen, kostengünstig neue Einsatzmöglichkeiten für KI zu erschließen.[/vc_column_text][/vc_column_inner][/vc_row_inner][/vc_column][/vc_row][vc_row css=“.vc_custom_1519752670572{margin-top: -10px !important;}“][vc_column][ultimate_spacer height=“30″ height_on_tabs=“15″ height_on_tabs_portrait=“15″ height_on_mob_landscape=“15″ height_on_mob=“15″][vc_column_text]Aktuell geht es beim Thema Künstliche Intelligenz meistens um neueste Entwicklungen auf dem Gebiet der Sprachmodelle und generativen Verfahren. Aber Künstliche Intelligenz kann auch in der industriellen Produktion sinnvoll eingesetzt werden. Moderne Produktionsumgebungen erzeugen dank Digitalisierung große heterogene Datenmengen. Gleichzeitig ergeben sich vielfältige Möglichkeiten der Verteilung der Analyse dieser Daten zwischen Cloud, Edge-Systemen bis hin zur intelligenten Sensorik. Wie kann man Unternehmen bei der Umsetzung zielgerichtet unterstützen?[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Das Thema Künstliche Intelligenz (KI) ist derzeit überall präsent. Immer wieder berichten Nachrichten- und populärwissenschaftliche Sendungen darüber. Die Möglichkeiten von KI-Systemen zur Unterstützung des Menschen bei der Entscheidungsfindung entwickeln sich immer weiter. Dadurch lassen sich für die KI immer neue Anwendungsbereiche erobern. Man kann konstatieren, dass der Einsatz von Künstlicher Intelligenz sich zum zentralen Element bei der Digitalisierung in Wirtschaft und Gesellschaft entwickelt.
Definitionen für den Begriff Künstliche Intelligenz gibt es viele. Unabhängig davon wird grundsätzlich unterschieden zwischen sogenannter starker und schwacher KI. Während erstere versucht, die biologischen Prozesse des menschlichen Denkens mit technischen Mitteln nachzuvollziehen, liegt bei letzterer der Fokus ganz klar auf dem eigentlichen Ergebnis, das aus der Denkleistung entspringt. Und hier liegt auch der Nutzen beim Einsatz von KI als Hilfsmittel in der Produktion. Die schwache KI nutzt im Wesentlichen zwei Prinzipien: regelbasierte Expertensysteme oder rein datengestützte Systeme des maschinellen Lernens. Je nach Verfügbarkeit von geeigneter Expertenkenntnis oder entsprechenden Daten sind beide Prinzipien in der Produktion einsetzbar.[/vc_column_text][vc_custom_heading text=“Wie optimiert KI die Produktion?“][vc_column_text]Durch die fortschreitende Digitalisierung und die zunehmende Umsetzung von Industrie 4.0-Paradigmen fallen in Produktionsunternehmen tagtäglich große bis sehr große Datenmengen an. Die neuen Möglichkeiten von modernen KI-Methoden eröffnen Mittel und Wege zur schrittweisen intensiveren Nutzung der in Produktionsprozessen entstehenden Daten aller Art. Hier bietet sich die Nutzung dieser Daten insbesondere durch Verfahren des Maschinellen Lernens für die Optimierung der Prozesse an. Dabei kann es einerseits um den Produktionsprozess an sich gehen. Hier werden Aspekte wie die Qualität der hergestellten Produkte oder die Effizienz der Produktion datentechnisch überwacht und mittels KI optimiert. Andererseits ist auch oft die Optimierung von Nebenprozessen (Instandhaltung, Produktionsplanung, Logistik) Ziel des KI-Einsatzes.
Eine erfolgreiche datenbasierte Optimierung basiert meist auf der Integration vielfältiger Daten aus dem Produktionsprozess, beginnend bei ohnehin in der Produktionsplanung und -steuerung erfassten Daten wie Durchlaufzeiten oder Daten der prozessierten Materialien über Daten, die die Steuerungen von modernen Produktionsanlagen nutzen (Maschineneinstellparameter), bis hin zu punktuell zu erfassenden Sensordaten wie Temperaturen, Prozesskräften oder Schwingungen.
Mit zunehmender Digitalisierung der Produktionsumgebung erweitern sich auch die Möglichkeiten, erhobene Daten zu analysieren. Als Zielplattformen kommen hoch leistungsfähige Rechner aus Maschinensteuerungen in Frage, ebenso wie eine speicheroptimierbare Steuerung (SPS) oder industrielle Ausführungen des bekannten Raspberry PI, welche in Schaltschränken oder in der Nähe von Sensoren angebracht werden können (siehe Abbildung 1). Auch Sensoren sind inzwischen digitalisiert und als „smart sensors“ mitunter zur Datenanalyse geeignet [1].
Beim Einsatz von KI im industriellen Umfeld kommt es daher zu einem Spannungsfeld zwischen einer verteilten Analyse möglichst nah am Prozess – also an der Kante (Edge) des Datennetzwerks [2] – und einer zentralisierten Analyse – zum Beispiel in einer Cloud. Beides hat Vor- und Nachteile. Für eine Entscheidung innerhalb dieses Spannungsfeldes ist eine frühzeitige Leistungsbewertung von verschiedenen Konfigurationen für Training und Einsatz der KI notwendig.[/vc_column_text][vc_single_image image=“33822″ img_size=“full“][vc_custom_heading text=“Wie gelingt der Transfer von KI in die industrielle Produktion?“][vc_column_text]Viele Unternehmen haben die Potenziale Künstlicher Intelligenz erkannt und würden diese gern für sich nutzen. Der Kenntnisstand hinsichtlich konkreter Integrationsmöglichkeiten in die eigenen Prozesse oder Produkte sowie in Bezug auf den wirtschaftlichen Nutzen und die technischen Grenzen der Methoden ist jedoch sehr unterschiedlich. Ebenso ist die Ausgangslage in der Praxis eher heterogen: Manche Unternehmen haben eine voll digitalisierte Fertigung umgesetzt und besitzen mitunter digitale Zwillinge ihrer Produktionsumgebung bis hin zur virtuellen Planung und Simulation von Prozessen, andere hingegen optimieren ihre Prozesse allein auf Basis von Expertenwissen des Fertigungspersonals.
Zudem sind industrielle Umgebungen, zumal im Mittelstand, im Gegensatz zu Consumer-Anwendungen oft Unikate, die spezielle und proprietäre Prozesse implementieren und so oft den Wettbewerbsvorteil des jeweiligen Unternehmens darstellen. Gefragt ist also eine individuelle Herangehensweise an das jeweilige Problem aus der industriellen Produktion, welche die jeweilige Situation erfasst und möglichst schnell zu einem Konzept für eine wirtschaftlich sinnvolle Umsetzung kommt.
Um diese Herausforderungen zu adressieren, hat das Fraunhofer IIS/EAS Ende 2021 begonnen, ein Anwendungs- und Testzentrum für Künstliche Intelligenz zu installieren. Dieses wird eine Plattform zur Kollaboration von Technologieentwicklern, Anwendern und Wissenschaft bieten, um den Transfer von KI in die industrielle Produktion zu beschleunigen und Möglichkeiten für kleine und mittelständische Unternehmen zu schaffen, sich mit dem Thema KI und deren Anwendung im eigenen Unternehmen oder in den eigenen Produkten auseinanderzusetzen, ohne dafür zunächst hohe Investitionen ohne klare Return on Investment (RoI)-Perspektive tätigen zu müssen.
Die Integration von KI in industrielle Edge-Systeme oder gar Sensorik bringt enorme Vorteile mit sich, weil einerseits der Transport von großen Datenmengen deutlich reduziert und andererseits die Reaktionszeiten kürzer gehalten werden können. Eine solche Vorgehensweise stellt allerdings auch eine besondere Herausforderung dar: Cloud-basierte KI lässt sich ganz ohne eigene Investitionen in Hardware umsetzen. Demgegenüber müssen bei der Realisierung von KI auf Edge-Devices immer die begrenzte Rechenleistung der Geräte, Schnittstellen zur IoT-Infrastruktur und Sensorik, bei mobilem Einsatz auch der Energiebedarf berücksichtigt werden. Daher ist gegenüber langjährig etablierten Vorgehensmodellen wie CRISP-ML [2] eine Erweiterung um diese Aspekte notwendig, um ein Prototyping der kompletten Digitalisierungslösung vom Sensor bis zum Mehrwert aus der Datenanalyse zu ermöglichen.
In vielen Fällen muss in industriellen Anlagen zunächst eine Datenbasis geschaffen werden. Hier ist es sinnvoll, Anlagen je nach Bedarf für eine Messkampagne mit hochgenauer Sensorik zu instrumentieren und autonom Daten über einen längeren Zeitraum aufzuzeichnen. Im Rahmen der späteren Datenanalysen kann dann ermittelt werden, welche der Sensoren und Analysemethoden wirklich einen Mehrwert für die Prozessoptimierung ermöglichen. Dabei kann im Labor auch durch Vergleichsmessungen ermittelt werden, welche Sensorik für den vorgesehenen Zweck ausreichend ist. So wird für den industriellen Anwender von KI die Investition in zusätzliche Sensorik optimiert. Wesentlicher Aspekt ist die Verlagerung von Validierungsschritten aus der realen Produktionsumgebung in virtuelle oder Laborversuche, was den Aufwand verringert und die Entwicklung beschleunigt.
Um das Finden der optimalen Edge-Plattform für die individuelle industrielle Anwendung zu beschleunigen, wird am Anwendungs- und Testzentrum eine Datenbank mit Benchmarks aufgebaut: Für die Industrie relevante Edge-Plattformen werden in verschiedenen repräsentativen industriellen Anwendungsfällen getestet. Dazu werden Daten aus den Benchmark-Anwendungen zum Training eines KI-Modells verwendet, welches im Folgenden auf geeigneten Edge-Plattformen implementiert wird. Benchmark-Parameter sind neben der Rechenzeit auch der Energiebedarf; darüber hinaus wird die Datenbank aber auch mit weiteren Informationen gefüllt, beispielsweise dem Aufwand für Deployment und Wartung der Modelle.[/vc_column_text][vc_custom_heading text=“Was ist in Zukunft zu erwarten?“][vc_column_text]Fortschritte in der Mikroelektronik haben zu leistungsfähigen digitalisierten und sehr kompakten Sensorkomponenten auf Basis mikroelektromechanischer Systeme (MEMS) geführt, die als Massenware preiswert verfügbar sind. Dies eröffnet wiederum weitere Möglichkeiten, Anlagen zu instrumentieren, und erschließt so neue Datenquellen für die Optimierung industrieller Prozesse. MEMS-basierte Sensorik lässt sich beispielsweise in bewegliche Bauteile von Werkzeugmaschinen zur Überwachung des Produktionsprozesses integrieren [4]. Es ist daher zu erwarten, dass die aufkommenden Datenmengen weiter zunehmen werden und eine leistungsfähige digitale Infrastruktur im Unternehmen immer wichtiger wird. Digitale Infrastrukturtechnologien aus Branchen, in denen die Fertigung bereits nahezu voll automatisiert ist („lights out factory“ [5]) wie die Halbleiterindustrie werden mittelfristig auch im Mittelstand eingesetzt werden.
Ganz wesentlich ist auch eine weitere datentechnische Integration der diversen Quellen. Ein Beispiel: Die Analyseergebnisse eines Condition-Monitoring-Systems werden wesentlich genauer, wenn Daten aus der Steuerung der überwachten Anlage mit einbezogen werden; umgekehrt kann durch die Vernetzung ein Produktionsprozess durch die Daten aus dem Condition-Monitoring-System verbessert werden.
Aber auch in die Sensoren selbst wird zunehmend KI integriert. In vielen Consumer-Anwendungen wie Wearables und Smartphones sind MEMS-Sensoren mit integrierter KI für die Gestenerkennung verbaut. Der Transfer in die industrielle Anwendung wird vollkommen neue Generationen umfassend digitalisierter Anlagen ermöglichen. Damit werden sich aber auch neue Herausforderungen für die systematische Entwicklung und Validierung solcher Sensorik ergeben, da industrielle Anwender meist wesentlich höhere Ansprüche an Robustheit, Zuverlässigkeit und Genauigkeit von Sensoren und KI-basierter Datenanalyse haben.[/vc_column_text][ult_createlink title=“Zu den Literaturangaben“ btn_link=“url:https%3A%2F%2Fbit.ly%2F499bM2U|target:_blank“][/vc_column][/vc_row][vc_row][vc_column][ult_dualbutton btn_hover_style=“Style 2″ btn_border_style=“solid“ btn_color_border=“#ffffff“ btn_border_size=“2″ btn_alignment=“left“ dual_resp=“off“ button1_text=“Einzelheft kaufen“ icon_link=“url:https%3A%2F%2Fwww.im-io.de%2Fproduct%2Fmetaverse%2F|title:Metaverse%2C%20NFTs%20%26%20Cryptos|target:_blank“ btn1_background_color=“#f3f3f3″ btn1_bghovercolor=“#f07d00″ icon=“Defaults-book“ icon_size=“22″ icon_color=“#f07d00″ icon_hover_color=“#ffffff“ button2_text=“Jetzt abonnieren“ btn_icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fabo%2F|title:Abo||“ btn2_background_color=“#f3f3f3″ btn2_bghovercolor=“#f07d00″ btn_icon=“Defaults-chevron-right“ btn_icon_size=“22″ btn_icon_color=“#f07d00″ btn_iconhover_color=“#ffffff“ divider_text=“oder“ divider_text_color=“#f07d00″ divider_bg_color=“#ffffff“ btn1_text_color=“#f07d00″ btn1_text_hovercolor=“#ffffff“ btn2_text_color=“#f07d00″ btn2_text_hovercolor=“#ffffff“ title_font_size=“desktop:20px;“ btn_border_radius=“30″ title_line_ht=“desktop:22px;“ btn_width=“280″][/vc_column][/vc_row][vc_row][vc_column][/vc_column][/vc_row][vc_row][vc_column][/vc_column][/vc_row]