KI, die Kreative Intelligenz jetzt in der neuesten Folge SMART&nerdy! Podcastfolge #23.
KI, die Kreative Intelligenz jetzt in der neuesten Folge SMART&nerdy! Podcastfolge #23.
Britta Hilt, Richard Martens, IS Predict GmbH (Titelbild: © AdobeStock | 483288609| Gorodenkoff)
Der Einsatz künstlicher Intelligenz birgt für die Industrie große Potenziale. Sei es eine Kostenreduktion beim Betrieb energieintensiver Maschinen, wie zum Beispiel Öfen oder Trocknern, oder die Vermeidung von Minderqualität in komplexen Produktionsprozessen – KI erfährt vielseitige Einsatzmöglichkeiten.
Wärme wird in vielen Produktionsprozessen benötigt, sei es zum Schmelzen von Metall oder zum Trocknen von Keramik-, Gips- oder Holzprodukten. Um die erforderlichen hohen Temperaturen zu erzeugen, ist viel Energie notwendig. Natürlich ist es die oberste Priorität, eine gute Qualität zu erzeugen. Aber oft zeigt sich auch, dass der Energieeinsatz deutlich variiert, obwohl das Material und der Maschineneinsatz nur geringen Veränderungen unterliegen. Die Gründe dafür sind vielfältig. Augenscheinlich können dies klimatische Einflüsse sein, denn es ist ein Unterschied, ob Holz getrocknet werden soll, wenn es im Hochsommer verarbeitet wird, oder ob das Holz im Winter im Außenbereich gelagert wird. Jedoch sind die Zusammenhänge oft komplexer und hängen von unterschiedlichen sich bedingenden Einflüssen ab. Daher ist eine eindeutige Zuweisung oft nicht möglich. Erschwerend kommt hinzu, dass die Maschinenführer, die viele Jahrzehnte Erfahrung im Betrieb des Ofens oder des Trockners gesammelt haben, in naher Zukunft in den wohlverdienten Ruhestand gehen werden. Bei der jüngeren Generation ist es eher die Ausnahme als die Regel, einen Großteil ihres Berufslebens bei dem gleichen Arbeitgeber mit den gleichen Maschinen zu verbringen. Optimal wäre es daher, die über Jahrzehnte angesammelte Erfahrung direkt in die Maschinen einzubringen. In dem Fall würde die Maschine sich selbst optimal steuern – oder der Mensch wäre am Hebel und würde von der Maschine Empfehlungen für die Steuerung des Ofens oder des Trockners bekommen. Hört sich zu futuristisch an? Nicht wirklich: Denn die Erfahrungen zum optimalen Betrieb der Maschinen liegt in Form von Daten vor: in den Steuerungsdaten. Hier ist dokumentiert, wann welches Material und in welcher Menge in den Trockner kam, welche Zieltemperaturen wann eingestellt und wie schnell sie erreicht wurden, wie kräftig die Ventilatoren die Luft aufwirbelten und vieles mehr. Dieser dokumentierte Erfahrungsschatz wird mithilfe von mathematisch-semantischen KI-Netzen analysiert. Das jahrzehntelange Erfahrungswissen, das sich die Mitarbeiter aufgebaut haben und in der täglichen Arbeit anwenden, spiegelt sich in den Betriebsdaten wider. Künstliche Intelligenz-Algorithmik deckt diese komplexen Zusammenhänge in Form von Datenmustern auf. So laufen mehrere mathematische Modelle mit der Maschine mit. Einerseits Prognosemodelle, um sowohl die entsprechenden Qualitätskennzahlen als auch die Energieverbräuche zu prognostizieren. Andererseits bewertet ein Simulationsmodell verwobene Einflüsse und errechnet optimale Maschineneinstellungen. Ein Steuerungsmodell leitet daraus Empfehlungen zum Maschinenbetrieb ab und gibt diese entweder an den Maschinenführer oder direkt an die Steuerungseinheit der Maschine weiter. So können auch weniger erfahrene Mitarbeiter energieintensive Anlagen in komplexen Prozessen optimal steuern: Hoher Output mit best-reduziertem Energieeinsatz.
Das Werk eines internationalen Automobilzulieferers produziert circa 11.000 Automobilteile täglich in rund 700 Varianten. Hierzu werden nahezu 1.000 Produktionsmaschinen eingesetzt. Jedes Produkt, das aus bis zu 600 Teilen besteht, durchläuft einen technischen 100 Prozent-Test, bevor es ausgeliefert wird. Obwohl während des Produktionsprozesses kritische Schritte immer wieder überprüft werden und nur die Komponenten weiterbearbeitet werden, die in Spezifikation sind, wird bei der Endkontrolle Ausschuss aufgedeckt. Daher wurde ein KI-Projekt mit der Intention gestartet, den verantwortlichen Entscheidungsträgern schnell Information zu liefern, sodass das Werk optimale Ergebnisse mit qualitativ hochwertigen Produkten erzielen kann. Hierzu decken selbstlernende künstliche Intelligenz-Lösungen verlässlich und schnell die Ursache-Wirkungs-Zusammenhänge auf. Geschwindigkeit ist wichtig, da die Produktion 24 Stunden an 7 Tagen pro Woche durchgeführt wird. Je schneller die tatsächlichen Gründe für fehlerhafte Produkte aufgedeckt werden, desto schneller können Gegenmaßnahmen ergriffen werden, um zukünftige Fehlfunktionen zu vermeiden. Dies spart Zeit und reduziert den Ausschuss deutlich. Das Ziel, den Ausschuss in Fertigungsbereichen um 20 Prozent zu reduzieren, konnte erreicht werden. Der Haupterfolgsfaktor ist dabei der schnelle Detektionsmechanismus innerhalb der Produktionskette, der durch künstliche Intelligenz realisiert wird. Komplexe Ursache-Wirkungs-Erkenntnisse können von mehreren Tagen auf wenige Stunden reduziert werden.
Das Werk eines Automobilzulieferers stellt in Stückzahlen von bis zu 600 Hüben pro Minute Metallkomponenten her. Diese werden verformt (pressen oder stanzen) und verbunden (löten, kleben, schweißen oder schrauben). Natürlich ist jeder Prozessschritt wichtig für die Stabilität und Qualität der Autokomponenten, jedoch ist es aufgrund der hohen Stückzahl nicht möglich, alle kritischen Arbeiten zu überprüfen. Daher werden Stichproben durchgeführt, beispielsweise bei Schweißungen kleiner als ein Prozent, da diese mit Ultraschalltechnik überprüft werden. Ultraschalltechnik erfordert einerseits entsprechend teure Investitionen in Prüfanlagen und andererseits stets zertifiziertes Prüfpersonal. Die Prüfungen sind außerdem zu zeitintensiv, als dass sie auf alle Schweißungen angewendet werden können. Daher wurde ein Datenanalyseprojekt gestartet, um etwaige Mängel direkt am Produktionsschritt zu erkennen und somit eine 100-prozentige Prüfung durchzuführen. Künstliche Intelligenz bewertet die Daten jedes einzelnen Produktionsschrittes, sodass auftretende Mängel behoben beziehungsweise die entsprechenden Komponenten direkt aussortiert werden können. Dazu wurden selbstlernende künstliche Intelligenz-Lösungen auf Produktionsdaten trainiert. Aufgrund der hohen Variantenkomplexität lagen jedoch nur vergleichsweise wenige Schlechtfälle vor. Die Algorithmik muss entsprechend abstrahieren, um trotz mangelnder Datenlage verlässliche Qualitätsbewertungen durchführen zu können. So werden hochfrequente Produktionsschritte ohne Verzögerung oder manuelles Zutun automatisiert – von vorher ein Prozent auf jetzt 100 Prozent – qualitätsgeprüft.
Mit selbstlernenden KI-Systemen können sehr komplexe Zusammenhänge in variantenreichen Produktionsprozessen aufgedeckt werden, die oft auch den erfahrenen Maschinenführern bisher verborgen geblieben sind. KI-generierte Empfehlungen reduzieren daher einerseits Energiekosten als auch andererseits Minderqualität. Hier hat sich der Einsatz von semantischen KI-Netzen besonders bewährt. Im Gegensatz zu neuronalen Netzen geben diese die Information preis, welche Einflüsse inwiefern eine Rolle spielen. Durch diese Transparenz erhält der Maschinenführer zusätzlich ein noch besseres Verständnis von den komplexen Produktionsabläufen. Dies ist nicht nur für jüngere Werker von Bedeutung, sondern auch erfahrene Maschinenführer profitieren vom Aufdecken bisher aufgrund der hohen Komplexität der verwobenen Einflüsse unbekannten Zusammenhänge.
