KI-Use Cases in der Smart Factory setzen meist individuelle Projektierungen voraus. Jetzt hat MES-Hersteller MPDV die AI Suite vorgestellt. Darin sind acht KI-Standardanwendungen für die Fertigungs-IT Hydra und Fedra enthalten, mit denen sich etwa Ausschuss reduzieren, Rüstzeiten optimieren oder die Produktqualität prognostizieren lassen.
Der Traum, dass eine Maschine intelligente Entscheidungen trifft, existiert schon lange. Erste Ansätze, die sich mit der heutigen Technologie vergleichen lassen, stammen aus den 1950er-Jahren. Einen Boom erlebt KI jedoch erst seit einigen Jahren, da die Computer nun leistungsstark genug sind und sukzessive auch die Akzeptanz für den Einsatz von KI gestiegen ist. Den jüngsten Hype hat ChatGPT und ähnliche oder darauf basierende Angebote ausgelöst. Der Weg zu KI als Standardprodukt in der Smart Factory scheint aber noch weit.
Der lange Weg zur KI-Lösung
Warum lässt sich künstliche Intelligenz nicht einfach zuschalten? Der Hintergrund: Im Jahr 1996 wurde ein branchenübergreifendes Standardvorgehen für den Umgang mit großen Datenmengen entwickelt, das auch heute noch in KI-Projekten genutzt wird – Cross Industry Standard for Data Mining (Crisp-DM). Darin ist anwendungsneutral beschrieben, was getan werden muss, bevor man aus großen Datenmengen einen Nutzen ziehen kann. Hierbei sind sechs Phasen zu durchlaufen, die sich teilweise überlappen beziehungsweise bedingen:
Geschäftsverständnis (Business Understanding)
Datenverständnis (Data Understanding)
Datenvorbereitung (Data Preparation)
Modellierung (Modeling)
Evaluierung (Evaluation)
Bereitstellung (Deployment)
Insbesondere die Phasen vor der Modellierung – also das Aufbereiten der Daten – nehmen einen großen Teil der Zeit und der Kosten in typischen KI-Projekten ein. Und diesen meist manuellen Aufwand muss ein Data Scientist für jedes Projekt von Neuem betreiben. Ist ein KI-Modell fertig, so kann es ausgerollt und solange genutzt werden, bis sich die Rahmenbedingungen so weit geändert haben, dass das Modell überarbeitet oder erweitert werden muss. Denn wie von ChatGPT bekannt ist, lernt ein KI-System nicht per se kontinuierlich dazu. Ideal und kostensparend wäre es, wenn man sowohl das Erstellen als auch das Erweitern von KI-Modellen ganz einfach automatisieren könnte – also quasi Automated Data Science. Man kann die Daten aber auch so zur Verfügung stellen, dass die Phasen eins bis drei überflüssig werden und sofort mit dem Modellieren begonnen werden kann.
KI als Standardlösung
Daten in einer homogenen Form bereitzuhalten, gehört zu den Kernaufgaben der modernen Fertigungs-IT. Die Schlagworte lauten Integrationsplattform und semantisches Datenmodell. Sind also alle Daten in einer gemeinsamen Plattform semantisch abgelegt, kann KI-Software leicht darauf zugreifen und für die Modellbildung verwenden. Die Manufacturing Integration Platform (MIP) von MPDV ist eine Integrationsplattform, die als gemeinsame Datenbasis genutzt werden kann.
Vergleichbar mit dem Entwickeln browserbasierter Computerspiele kann man immer neue Szenarien aufbauen, die auf den stets gleichen Prinzipien fußen. Um im Bild zu bleiben: Der Spiele-Engine dahinter ist es gleich, ob man eine Weltraumstation konstruiert und Rohstoffe fremder Planeten abbaut oder einen mittelalterlichen Bauernhof mit angeschlossener Viehzucht betreibt. In beiden Fällen gibt es Wohngebäude, Produktionsstätten, Rohstoffe und eine Art von Währung, mit der man alles handeln kann, was benötigt wird. Die dahinterliegende Datenbasis ist also gleich, es wird lediglich unterschieden, wofür diese Daten verwendet werden.
Einheitliche Semantik nötig
Zurück zur Fertigungs-IT: Eine Integrationsplattform hält Daten vor, die von unterschiedlichen Anwendungen genutzt und verarbeitet werden. Ob man nun die Nutzgrade einer Maschine analysiert oder vorhersagt, wie lange die Rüstzeit bei einem bestimmten Artikelwechsel sein wird, ist für die Plattform irrelevant. Die semantische Ablage der Daten stellt sicher, dass jede Anwendung die Daten versteht und für den jeweiligen Zweck nutzen kann. Damit ist der Weg frei für Standardanwendungen. Auch seitens der KI-Engine ist nicht relevant, wofür die gesammelten Daten genutzt werden. Das Prinzip ist immer gleich: Die Software analysiert historische Daten, erkennt Muster und ermittelt Einflussfaktoren. Anhand dieser Erkenntnisse kann die KI Zusammenhänge visualisieren. Alternativ kann die KI auf Basis der Erkenntnisse Vorhersagen treffen.
KI in der Smart Factory
Die Feinplanung von Aufträgen, Werkzeugen und Mitarbeitenden ist nur ein Beispiel, wie künstliche Intelligenz zur Effizienz und Wettbewerbsfähigkeit eines Produzenten beitragen kann. Durch KI-Unterstützung können Produktionskosten gesenkt, die Termintreue gesteigert und die vorhandenen Ressourcen bestmöglich eingesetzt werden. Wenn alle dafür benötigten Daten strukturiert und semantisch geordnet vorliegen, kann eine solche Planungsanwendung Szenarien aller Art planen. Dabei ist unerheblich, ob ein großer Kunststoffhersteller seine 800 Spritzgießmaschinen planen möchte oder ein kleiner Metallverarbeiter zehn Pressen, ein CNC-Bearbeitungszentrum und 20 Handarbeitsplätze. Gleiches gilt für die KI-basierte Analyse von Ausschuss oder Nutzgraden. Der KI-Algorithmus analysiert die historischen Daten, erkennt Einflussfaktoren und stellt diese in einer Form dar, dass der Benutzer mit seinem Domänenwissen zielführende Schlüsse daraus ziehen kann. Solange die zur Verfügung gestellten Daten alle nach dem gleichen Prinzip aufgebaut sind, kann die KI damit arbeiten und liefert Ergebnisse, die sich anschließend mit der gleichen ‘Brille’ wie die Eingangsdaten betrachten lassen.
Beispiel Predictive Quality
Predictive Quality basiert auf der Erfahrung, dass es auch dann zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle Prozessparameter innerhalb der Toleranzgrenzen bewegen. Grund dafür sind komplexe Zusammenhänge und Wechselwirkungen, die auf die eigentliche Fertigungstechnologie zurückzuführen sind. In der Praxis werden verschiedene Prozesswerte zusammen mit der Qualitätseinstufung als Basis dafür verwendet, zu entscheiden, mit welcher Wahrscheinlichkeit das aktuell produzierte Produkt ein Gutteil wird oder Ausschuss. Dafür braucht es eine repräsentative Sammlung von Daten. Also ein möglichst breites Feld an Prozessdaten, die sich mit dazu passenden Qualitätsdaten korrelieren lassen. Wichtig ist dabei, dass die erfassten Prozesswerte synchron mit den Qualitätseinstufungen sind. Neben der reinen Masse der erfassten Daten ist auch die Vielfältigkeit entscheidend für die Zuverlässigkeit der späteren Vorhersagen. Je mehr die einzelnen Prozesswerte sich innerhalb ihrer zulässigen Toleranzen verändern und je mehr Kombinationen unterschiedlicher Extremwerte erfasst werden, desto besser die errechneten Ergebnisse.
Cross Industry Standard for Data Mining (CRIPS-DM) (Bild: MPDV, Adobe Stock, Rawpixel.com, angelehnt an Wikipedia)
Entscheiden müssen Menschen
Aus der Gesamtheit dieser Daten entwickelt die künstliche Intelligenz ein Vorhersagemodell, das mit den aktuellen Prozessdaten gefüttert werden kann. Das Ergebnis ist dann einerseits eine Qualitätseinstufung und andererseits eine Wahrscheinlichkeit dafür, dass diese Einstufung richtig ist. Anschließend liegt es in der Verantwortung des Menschen, zu entscheiden, was mit den Ergebnissen gemacht wird. Man könnte zum Beispiel alle Teile, die mit mehr als 60 Prozent Wahrscheinlichkeit Ausschuss sind, sofort recyceln oder explizit prüfen und Teile die zu mehr als 90 Prozent die Einstufung ‘Gutteil’ bekommen, ungeprüft ausliefern. Je nach Branche und Wertigkeit der hergestellten Artikel könnten die Ergebnisse aus Predictive Quality aber auch ganz anders verwendet werden. Diese Entscheidung kann eine künstliche Intelligenz den Verantwortlichen nicht abnehmen – wohl aber die Analyse der Daten und die Vorhersage von Ergebnissen. Mit Blick auf die bekannte Software Excel ließe sich vergleichen: Das Programm liefert uns Tabellen und bunte Diagramme – unabhängig vom Thema. Was auf Basis dieser Daten geschieht, ist nicht Aufgabe von Excel. Dafür ist es Excel gleichgültig, welche Art von Daten damit analysiert und visualisiert werden – es ist eine Standardanwendung. Gleiches gilt für KI-basierte Standardanwendungen.
Ob und wie KI in der Smart Factory eingesetzt werden sollte, muss natürlich jedes Fertigungsunternehmen selbst eruieren und diskutieren. Doch die AI Suite von MPDV könnte Denkanstöße dazu liefern. Zum Paket gehören aktuell acht Standardanwendungen, von denen jede einen eigenständigen Nutzen erbringen soll. Die Module sind:
AI Planning – Plant etwa Aufträge, Werkzeuge und andere Ressourcen optimiert nach Zielvorgaben automatisch ein, unterstützt Reinforced Learning. AI Workforce Planning – Verfügbare Personalkapazitäten anhand ihrer Qualifikationen planen. AI-based Production Time Prediction – Realistische Vorgabewerte ermitteln und damit Planungsergebnisse verbessern. Arbeitet mit Unsupervised Machine Learning und Mustererkennung. AI-based Scrap Analysis – Zusammenhänge, die zu Ausschuss führen, KI-gestützt erkennen und verstehen. AI-based Capacity Utilization Analysis – Schwankende Nutzgrade einzelner Maschinen besser verstehen. AI-based Setup Rate Analysis – Einflussfaktoren auf den Rüstgrad einzelner Maschinen ermitteln. AI-based Resource Performance Account Analysis – Betriebsmittelkonten gezielt analysieren. Predictive Quality – Qualität von Produkten vorhersagen.
Alle diese Anwendungen nutzen Daten aus der Manufacturing Integration Platform (MIP) und können daher ohne großen Zusatzaufwand eingesetzt werden.
Weltweit führende APS-Technologie für alle industriellen Anforderungen
PLM aus der Cloud: flexibel, skalierbar, ready-to-run
Prime Edge – eine Edge Lösung für die Industrie
Wachstum durch Kundenorientierung: Das Geheimnis liegt in einem smarten Variantenkonfigurator
MPDV Mikrolab GmbH – WE CREATE SMART FACTORIES
Effektive Instandhaltungsstrategien für die digitale Ära:
Einfache und effiziente Digitalisierung von Workflows mit nscale PAP
Nachhaltigkeit: Aus „Alt“ mach „Neu“ oder „Reparatur“ statt „Neuanschaffung“
ANZEIGE
Whitepaper
Erste Schritte auf dem Weg zur Smart Factory - Wie Sie Daten und Abläufe richtig orchestrieren
Erfahren Sie in unserem E-Book mit dem Fokus auf den Maschinenbau & Anlagenbau, wie Sie mit dem way APS-System Ihre Supply Chain planen und steuern können.
Produktflyer: KI in der Produktion und Produktionsplanung
Mit Kennzahlen die Produktion im Griff
Vollautomatische Feinplanung
ANZEIGE
Videos
Erfolgreiche Asprova APS Einführung bei Panasonic, Hersteller von Komponenten für Autoelektronik
Erfolgreiche Asprova APS Einführung bei Horst Scholz, Hersteller von komplexen Kunststoffspritzformen höchster Präzision
Erfolgreiche Asprova APS Einführung bei Prospera: Laserschneiden, Biegen und Stanzen. Aprova hat all unsere Planungsprobleme gelöst.
Integrierte Produktions- und Projektplanung beim Anlagenbauer Grenzebach GmbH
Mittelständische Unternehmen investieren selbst in schwierigen Zeiten in Microsoft-Technologien, weil sie überzeugt sind, dass ihre Mitarbeiterproduktivität steigt und sich ihre Kostenstruktur bessert. Microsoft hat mit dem Microsoft-Partner-Network ein Netzwerk aufgebaut, das ein Forum für den Aufbau von Partnerschaften, Zugang zu Ressourcen und einen Rahmen für Dialoge und Kooperationen bietet. Für unsere Leser gibt die Microsoft-Partnerübersicht in Ausgabe Juli/August der IT&Production Tipps für die Suche nach einer geeigneten Branchen- oder Speziallösung im Bereich des produzierenden Gewerbes.
Auf der Suche nach Innovation, nach neuen Lösungen und der Abgrenzung zum Mitbewerb vernetzen sich zunehmend mehr Unternehmen mit externen Experten und Partnern. SAP hat mit dem SAP-Ecosystem ein Netzwerk aufgebaut, das ein Forum für den Aufbau von Partnerschaften, Zugang zu Ressourcen und einen Rahmen für Dialoge und Kooperationen bietet. In der Maiausgabe der Fachzeitschrift IT&Production erhalten unsere Leser einen aktuellen Überblick zum SAP-Ecosystem im Bereich des produzierenden Gewerbes.
Immer mehr Anbieter von Maschinen, Automatisierungstechnik und Industriesoftware integrieren künstliche Intelligenz in ihre Produkte. Das ganze Potenzial spielen selbstlernende Systeme aber erst aus, wenn sie passgenau auf ihren Einsatz in Fertigung und Büro zugeschnitten wurden. Über beide Möglichkeiten, als Fertiger die Vorzüge von industrieller KI zu nutzen, geht es im regelmäßig aktualisierten Themenheft Künstliche Intelligenz.
Das Internet of Things verändert Produktwelten und die Vernetzung in der Fertigung gleichermaßen. Entstehende Ökosysteme laden zur einer neuen Form der Zusammenarbeit ein. Die Spezialausgabe IoT Wissen Kompakt informiert über die Technologie, Projektierung und Anbieter für die eigene Applikation, in- und außerhalb der Fabrik.
Um alle Potenziale eines MES umfassend ausnutzen zu können, beleuchten unsere Autoren in der Serie von MES Wissen Kompakt die erfolgskritischen Faktoren, um Fertigungsunternehmen präventiv zu steuern. Darüber hinaus präsentiert MES Wissen Kompakt ein breites Spektrum an Firmenportraits, Produkt- neuheiten und Dienst- leistungen im MES-Umfeld.
Ein Unternehmen, das sich mit der Auswahl eines ERP- Systems befasst, muss sich gleichsam mit einem viel- schichtigen Software-Markt und unklaren Interessen- lagen an interne Abwick- lungsprozesse auseinander- setzen. Guter Rat bei der Investitionsentscheidung ist teuer. ERP/CRM Wissen Kompakt unterstützt Sie bei der gezielten Investition in die IT-Infrastruktur.
