MES mit eingebauter künstlicher Intelligenz
Von der Aggregation zur Interpretation
Da Manufacturing Execution Systeme regelbasiert arbeiten, verlangen Veränderungen im Produktionsablauf nach einer Neuprogrammierung des Systems. Mit künstlicher Intelligenz wird dies ein Stück weit autonomer. Der Mensch bleibt jedoch die letzte Instanz.
Die Anforderungen an Flexibilität und Reaktionsgeschwindigkeit in der Fertigung steigen. Die Variantenvielfalt nimmt zu, während sich die Produktion in Richtung Losgröße 1 entwickelt. Lieferzeiten müssen reduziert werden, wohingegen Lieferketten immer verzweigter werden. Das macht auch die Produktionsplanung komplexer. KI-basierte MES-Lösungen können die zunehmende Volatilität in der Produktion auffangen, indem die erhobenen Daten nicht mehr nur aggregiert, sondern mit künstlicher Intelligenz auch interpretiert werden können. Ein MES aggregiert Daten und erzeugt einen homogenen Datenpool. Die Daten können dann als Kennzahlen visualisiert werden. Durch die Auswertung historischer Daten wird z.B. die Abweichung von einem Normwert deutlich, ihre Ursachen hingegen können mit herkömmlichen Analysemethoden nicht identifiziert werden. Ein manueller Eingriff wird notwendig, wenn in Zukunft die festgestellte Abweichung vermieden werden soll. Dieser Eingriff wird jedoch immer wieder notwendig, wenn die einmal identifizierte Abweichung erneut auftritt. Durch die Nachjustage des MES wird die Abweichung unterbunden. Je komplexer ein Produktionssystem jedoch ist, desto schwieriger werden manuelle Interventionen, da ihre Folgen nicht mehr absehbar sind. Das gilt auch für Nachjustagen. Letztendlich lässt sich nicht mehr zurückverfolgen, ob neu auftretende Abweichungen im Zusammenhang mit aktuell vorgenommenen Änderungen stehen oder gänzliche andere Ursachen haben. Weitere Eingriffe werden notwendig – ein Teufelskreis.
Das System lernt
Bei KI-basierten MES entfallen solche Eingriffe zumeist, wenn sie die Daten interpretieren und bei Bedarf auf das Ergebnis reagieren können. Die Grundlage dafür ist Machine Learning. Dabei erkennt die KI wiederkehrende Muster im Datenpool und kann aufgrund des im System vorhandenen Wissens auf diese Muster reagieren. Die Reaktion selbst wird als neues Wissen im System gespeichert – das System lernt. In der Praxis erfolgt die KI-Reaktion aber (noch) nicht autonom durch das System, sondern durch den Mitarbeiter. Dieser entscheidet, wie er auf den Vorschlag der KI reagiert. Auf diese Weise wird auch implizites Wissen, also Arbeitserfahrung, Teil des KI-basierten MES. Dies wirkt auch dem Silo-Denken entgegen. Werden KI-gestützte Systeme über das gesamte Unternehmen ausgebreitet, steht das implizite Wissen bereichsübergreifend zur Verfügung. Scheiden Mitarbeiter aus dem Unternehmen aus, bleibt ihr Wissen erhalten. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Einsatzbereiche
Insbesondere in der Prozessüberwachung, -optimierung und -steuerung kann die KI ihr Potenzial entfalten. Durch vorausschauende Wartung (Predictive Maintenance) werden Verschleiß und Beschädigungen frühzeitig erkannt, sodass Maschinenausfälle verhindert werden. Viele Produktionsplanungs- und -steuerungssysteme stoßen bei steigender Variantenvielfalt und immer kürzeren Produktionszeiten an Grenzen. Mithilfe von KI kann für eine variantenabhängige Reihenfolgeplanung eine Prognose für unterschiedliche Produktionsszenarien erstellt werden, um den optimalen Produktionsablauf zu identifizieren. So lässt sich mit KI-gestützten MES-Lösungen auch in Produktionsbereichen, die bereits durch einen hohen Automatisierungsgrad gekennzeichnet sind, die Produktivität erhöhen. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Datenqualität
Die grundlegende Voraussetzung für den Einsatz von künstlicher Intelligenz ist eine hohe Qualität der Trainingsdaten. Ist diese Qualtität nicht gegeben, führt dies zu schlechten Ergebnissen. Auch mangelt es oft an Knowhow und Erfahrung, wenn es darum geht, eigene KI-Lösungen zu entwickeln. Um den Wissenstransfer zu verbessern, müssen Wissenschaft und Industrie enger miteinander verzahnt werden.
Querschnittsanker
Ein Manufacturing Execution System nimmt in produzierenden Unternehmen oft eine Position ein, an der besonders viele Daten zusammenkommen. Wenn KI-basierte MES-Lösungen eine große Zahl an betrieblichen Anwendungen abdecken und demnach über einen hohen Querschnittscharakter verfügen, lassen sich eventuell von dieser Ebene heraus die KI-Systeme auch auf andere Unternehmensbereiche ausweiten.
