Künstliche Intelligenz für Fertiger

Die Entdeckung unbekannter Zusammenhänge

Wirft man einen Blick auf aktuelle Produktneuerungen, scheint Künstliche Intelligenz allgegenwärtig. Doch nicht jede Funktionalität, die auf besonders ausgeklügelten Mechanismen basiert, nutzt tatsächlich intelligente Technologie – oder hat daran überhaupt Bedarf. Zwei Pilotprojekte aus der Praxis zeigen, wo der KI-Einsatz tatsächlich sinnvoll ist und mit heutiger Technologie bereits realisiert werden kann.

Ein Astronaut der über einem Planeten schwebt

Mit der richtigen KI-Lösung stoßen Fertiger in neue Dimensionen vor.

Eine Wartungslösung für Techniker schlägt bei einer auftretenden Störung automatisch den erfolgversprechendsten Lösungsweg zur Behebung des Problems vor. Schnell ist man in diesem Kontext versucht, an Künstliche Intelligenz zu denken. Die Umsetzung des Szenarios in der Realität ist jedoch viel simpler: Mithilfe eines klassischen Zählers wird erfasst, welche Maßnahmen sich in der Vergangenheit bewährt haben. Anhand dessen werden die Empfehlungen entsprechend priorisiert.

Dies ist ein Artikel aus unserer Print-Ausgabe 5/2019. Bestellen Sie ein kostenfreies Probe-Abo.

Für viele Anwendungen, die vor dem Hintergrund des derzeitigen Hypes scheinbar nach Künstlicher Intelligenz verlangen, bieten traditionelle Vorgehensweisen seit Jahren völlig ausreichende Lösungen. In welchen Kontexten ist der Einsatz von KI-Technik also tatsächlich sinnvoll – und vielleicht sogar notwendig? Zwei Praxisprojekte des ERP-Anbieters Asseco zeigen Möglichkeiten auf.

Anomalie-Erkennung

Zum Zwecke einer Predictive-Maintenance-Implementierung hat ein Maschinenhersteller aus Österreich seine Anlagen mit der Cloud verbunden. Eine Echtzeitanalyse der Betriebsdaten ermöglicht es, potentielle Probleme bereits im Vornherein zu erkennen und zu beheben. In der Vergangenheit wurden hierzu zunächst einfache Schwellwerte genutzt, die eine Warnung auslösten, falls sich etwa die Temperatur einem kritischen Bereich näherte. In der Praxis ergaben sich hierbei jedoch Einschränkungen: Die Erfahrung zeigte, dass es zum Zeitpunkt der Warnung für ein präventives Eingreifen nicht selten bereits zu spät war. Darüber hinaus setzt die Nutzung eines Schwellenwerts voraus, dass der Hersteller im Vorhinein genau weiß, welche Parameter es zu analysieren gilt und in welchem Bereich sich deren zulässige Werte bewegen. In der Realität lässt sich der drohende Ausfall einer Komponente jedoch meist nicht ausschließlich an einzelnen oder wenigen Parametern ablesen, sondern vielmehr an einer Kombination vieler Parametern. Dabei können auch Einflussfaktoren eine Rolle spielen, die bei den Überlegungen nicht einmal mit einbezogen werden.

Um entsprechende Störungsmuster in den überwachten Parametern überhaupt erst zu identifizieren, ist der Einsatz von Künstlicher Intelligenz notwendig. Denn während sich das Zusammenspiel einiger weniger Parameter durchaus auf herkömmliche Weise analysieren ließe, potenziert sich die zu bewältigende Anzahl an Möglichkeiten, wie diese mit ihren unterschiedlichsten Schwellenwerten zusammenspielen könnten, mit jedem weiteren Faktor. Im konkreten Fall werden mehr als 100 Faktoren einbezogen. Die Analyse der Datenmengen erfolgt mithilfe neuronaler Netze („long short-term memory“), die auf Basis von Trainingsdaten kritische Parameterkonstellationen entdecken können. Im Trainingsprozess selbst gibt der Maschinenführer Rückmeldung auf jeden Output des neuronalen Netzes („Output in Ordnung“ oder „Output nicht in Ordnung“). Im Laufe der Zeit wird das neuronale Netzwerk so immer genauer bei der Erkennung kritischen Maschinenzustände. Auch im Bereich der Lagerhaltung kommt KI in einem Pilotprojekt zum Einsatz. Bei einem mittelständischen Fertiger wurde die Technologie dazu genutzt, das bestehende Artikelsortiment zu analysieren und auf dieser Basis einen Optimierungsplan zu entwickeln, der Artikel neu zuordnet und unnötige Lagerbestände reduziert. Wie auch im Beispiel der Anomalie-Erkennung beeinflussen hier sehr viele Parameter die Artikeldispodaten (Lagerteile, auftragsbezogene Teile, Mindestbestand). Es sind zu viele, um alle im Blick zu behalten, geschweige denn Verbindungen untereinander zu finden, sodass auch in diesem Fall KI zum Einsatz kommt.

Lageroptimierung: Komplexität bewältigen

Die Wahl der richtigen KI-Technik hängt dabei immer von der Zielsetzung ab. So erfolgt bei neuronalen Netzen die Entscheidungsfindung der KI quasi abgeschottet und ist für den Menschen oft nicht nachvollziehbar. Während im Beispiel der Anomalie-Erkennung die Frage nach dem „Warum“ bei der Entdeckung eines Einflussfaktors tatsächlich eine untergeordnete Rolle spielt, sind die Kausalzusammenhänge bei der Neuordnung einer Lagerhaltung hingegen durchaus von Bedeutung. Die Wahl fiel daher auf die Nutzung von Machine Learning in Form des „K-Means“-Verfahrens, da bei dieser Methode der Entscheidungsweg der KI im Nachhinein nachvollzogen werden kann.

Mithilfe des K-Means-Algorithmus lassen sich Objekte in Gruppen einteilen. Im konkreten Fall untersuchte dieser die eingespeisten Datensätze aus jeweils mehr als 100 Parametern und kategorisierte auf dieser Basis zwei Gruppen von Artikeln (lager- und auftragsbezogen). Darüber hinaus wurde die optimale Mindestbestellmenge errechnet. Hierfür wurde eine Sicherheitsbestand mitberücksichtigt: Der Kunde definierte, wie hoch die Wahrscheinlichkeit sein soll, dass die Teile bei Bedarf tatsächlich auf Lager verfügbar sind (bei 100 Prozent Sicherheit werden alle Teile mit relativ hohem Bestand auf Lager gelegt). Dabei wurde ein Sicherheitsniveau von 95 Prozent gewählt. Mithilfe der KI-Analyse konnte so der Lagerbestand um 23 Prozent reduziert werden.

Nicht jede Problemstellung im Produktionskontext erfordert den Einsatz von KI. Gerade wenn es jedoch darum geht, bisher unbekannte Zusammenhänge zu entdecken, oder die gegebene Komplexität die Kapazitäten herkömmlicher Methoden überschreitet, ist die Nutzung der intelligenten Technologie in jedem Fall hilfreich.

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok