Künstliche Intelligenz

Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Die politische Initiative „Industrie 4.0“ soll deutschen Fertigungsunternehmen bei der Nutzung von Datenpotenzialen helfen. Gerade die Instandhaltung ist mit heutigen Ansätzen bisher unzureichend proaktiv gestaltet. Einen Lösungsweg bieten auf künstlicher Intelligenz (KI) gestützte Entscheidungsunterstützungssysteme, welche eine vorausschauende Maschinenwartung erlauben. Der undurchsichtige Entscheidungsprozess der KI stellt jedoch ein Hindernis für Nutzer dar, welches die Effektivität solcher Systeme gefährdet. Dieser Beitrag beleuchtet daher sowohl technische als auch soziale Faktoren für den Einsatz von KI im Rahmen von Industrie 4.0.

Die europäische Alliance for Logistics Innovation through Cooperation in Europe (ALICE) hat das „Physical Internet“als Zielvorgabe einer effizienten und nachhaltigen Logistik bis zum Jahr 2050 festgelegt. Das Konzept umfasst ein standardisiertes, offenes, globales Transportsystem, in dem physische Güter nach dem Muster der Übertragung digitaler Daten ausgetauscht werden. Wird dieses Konzept aktuelle Logistikmodelle ersetzen?

Vor 15 Jahren waren Manufacturing-Execution-Systeme etwas Revolutionäres, denn sie konnten ein neues Maß an Datenintegration auf dem benötigten Detailgrad liefern. Die zukünftige Wettbewerbsfähigkeit der Digitalen Fabrik wird von der richtigen Architektur für die zahlreichen in der Fabrik eingesetzten Informationssysteme und von den Abläufen abhängen. Ebenfalls auf die Agenda müssen Partizipation und Weiterbildung der dort tätigen Menschen.

Gegenwärtig gewinnt die generative Fertigung in industriellen Anwendungen zunehmend an Bedeutung. Der Einsatz der Verfahren eröffnet Möglichkeiten, ganz neue Geschäftsmodelle zu erschließen. Viele Unternehmen haben die Potenziale bereits erkannt und tasten sich an die neuen Prozesse im Bereich der Produktion und Logistik heran. Es gibt aber noch einige Herausforderungen, die von den neuesten Entwicklungen der Wissenschaft adressiert werden.

Derzeit erleben wir einen rasanten technologischen und gesellschaftlichen Wandel, der durch das Konvergieren diverser Megatrends einen erheblichen Einfluss auf das Alltagsleben der Menschen hat. Unsere Studie zielt darauf ab, relevante Strategien für die digitale Zukunft einer Makro-Region (Tirol, Südtirol und Venetien) herauszuarbeiten. Zu diesem Zweck wurden, ausgehend von einem Triple-Helix-Modell, semistrukturierte Interviews mit Vertretern von Unternehmen, Universitäten und Schulen und der öffentlichen Verwaltung geführt. Aus den empirischen Ergebnissen leitet die Studie 80 spezifische Handlungsempfehlungen für die digitale Transformation der Makroregion ab.

Produzierende Unternehmen müssen effizient und wirtschaftlich arbeiten, gleichzeitig aber kompromisslos Qualität liefern. Denn Kunden sind anspruchsvoll, und in manchen Branchen gilt gar eine Null-Fehler-Toleranz. Häufig findet die Qualitätskontrolle noch manuell und zeitversetzt statt. Das ist eine aufwendige, monotone und oft unbequeme Arbeit. Zudem können Fehler erst spät korrigiert werden. Mithilfe von Künstlicher Intelligenz lässt sich die visuelle Qualitätskontrolle dagegen automatisieren, in Echtzeit durchführen und in den Produktionsprozess integrieren. Sie wird dadurch genauer, effizienter und kostengünstiger. Was man für ein solches Projekt braucht und wie man es in der Praxis am besten umsetzt, zeigt der folgende Beitrag.

Künstliche Intelligenz (KI) und Lernende Systeme bieten enormes wirtschaftliches Potenzial und sind Treiber des digitalen Wandels. Sie verändern die Wertschöpfungsketten, Geschäftsmodelle und Beschäftigungsstrukturen in der Industrie radikal. Traditionelle Produkte werden in nahezu allen Branchen durch datengetriebene Services erweitert. Um mit dem internationalen Wettbewerb Schritt zu halten, müssen Unternehmen ihre Betriebsdaten mithilfe Künstlicher Intelligenz wirtschaftlich nutzbar machen und damit neue Geschäftsmodelle ermöglichen - und zwar besser heute als morgen.

Im Zuge des zunehmenden Wettbewerbsdrucks sind auch Pharmaunternehmen getrieben ihre Produktionsprozesse stetig effizienter zu gestalten. Insbesondere gilt es Verluste des typischerweise hochpreisigen Produkts zu minimieren. Folgend wird ein Ansatz zur prädiktiven Erkennung des Fehlverhaltens im Betrieb von Abfüllanlagen für pulvrige pharmazeutische Erzeugnisse mit Maschinellen Lernverfahren vorgestellt. Im Fokus steht hierbei die Prognose der Füllabweichungen mit Rekurrenten Neuronalen Netzen, eine Methode der Künstlichen Intelligenz. Ein Überschreiten bzw. Unterschreiten der Toleranz des Abfüllgewichts führt dazu, dass die abgefüllten Einheiten nicht weiterverwendet werden können. Ziel ist es, frühzeitig ein Abdriften der Prozessstabilität zu erkennen und entsprechend einzugreifen. Die nötigen Schritte hierzu werden folgend vorgestellt.

Agilität eines Unternehmens oder eines Produktionssystems ist nicht nur in so turbulenten Zeiten wie während einer Pandemie eine sehr nützliche Eigenschaft. In der Fabrik helfen Modularität, Skalierbarkeit, Universalität und Interoperabilität. Für Informationssysteme und Geschäftsprozesse gibt es noch die Aspekte Autonomie, Redundanz und Wissen. Außerdem ist Diversität von Menschen, Systemen, Ressourcen etc. als Wandlungsbefähiger dazugekommen.