Maschinelles Lernen

Mithilfe eines intelligenten Assistenzsystems kann die Nachhaltigkeit und Digitalisierung des tideunabhängigen Bremer Industriehafens erhöht werden. Um die Hafensicherheit zu gewährleisten, ist ein konstanter Pegelstand des abgeschleusten Hafens unerlässlich. Es ergibt sich ein großes Potential zur Energieeffizienzsteigerung, wenn das Hafenbecken statt per Pumpe bei Hochwasser natürlich durch die Schleuse bewässert wird. Der Beitrag zeigt, wie mit Hilfe Künstlicher Intelligenz und innovativen Softwaresystemen ein Assistenzsystem entwickelt wurde, um bestehende Verfahrensweisen zu verbessern ohne umfassende Änderungen der existierenden Hafeninfrastruktur vornehmen zu müssen.

Künstliche Intelligenz (KI) ist die nächste Stufe der Digitalisierung der Wirtschaft. Auch für kleine und mittlere Unternehmen (KMU) bietet die Technologie großes Potenzial. Viele Mittelständler sind aber bei der KI-Einführung noch zurückhaltend und stehen bei der Digitalisierung erst am Anfang: Nur rund ein Fünftel aller KMU in Deutschland hat die eigenen Prozesse und Abteilungen durchghend digitalisiert [1]. Was bedeutet das für den Einsatz von KI in den Unternehmen? Welche Schritte sollten die Betriebe jetzt unternehmen, um die Chancen von KI zu nutzen? Und welche Stolpersteine gilt es zu vermeiden? Dieser Beitrag stellt praktische Umsetzungskonzepte für Unternehmen mit unterschiedlichen digitalen Reifegraden und KI-Einsatzfähigkeiten vor und zeigt die Bandbreite der Nutzenpotenziale von KI-Anwendungen in verschiedenen Branchen und mit unterschiedlichen Wertschöpfungsarchitekturen in mittelständischen Unternehmen auf.

Intelligente Assistenzsysteme unterstützen die Mitarbeiter in der Produktion und erhöhen die Effizienz durch das Einblenden von situationsbasierten Aufgabeninformationen. Im Projekt Advanced Robot Assistance Solution (ARAS) im Rahmen des Kuka Innovation Awards 2021 wurde eine Assistenztechnologie entwickelt, um automatisiert Roboterprogramme für Montageabläufe zu generieren. Durch innovative Mensch-Maschine-Schnittstellen werden Montageschritte per maschinellem Lernen erkannt und in ausführbare Programme für Industrieroboter übersetzt. Dadurch können roboterbasierte Montageprozesse innerhalb von Minuten auf neue Produkte angepasst werden, ohne dass die Mitarbeiter über Kenntnisse des Programmierens oder der Robotik verfügen müssen. Ein Mitarbeiter muss den Montageprozess nur einmal vormachen. Das ARAS-System ermöglicht die kosten- und zeiteffiziente Integration und Adaption von Industrierobotern in der Montage für große und mittelständische Unternehmen.

Zunehmend werden kundenseitig leistungsfähigere elektronische Bauteile gefordert. Einhergehend mit steigenden Kundenanforderungen sowie einer Globalisierung der Märkte sind Unternehmen gezwungen kontinuierlich eine hohe Qualität zu gewährleisten. Daraus folgt eine hohe Anzahl an Prüftoren mit engen Toleranzgrenzen. Diese, als Prüfschärfe bezeichneten, Grenzen führen zu einer hohen Anzahl an Pseudofehlern. Mittels doppelter Prüfungen durch Prozessexperten können derartige Fehler reduziert werden. Jedoch führt dieses Vorgehen besonders in der Elektronikfertigung zu hohen Kosten. Autonom agierende Prüfsysteme ermöglichen hingegen die Begegnung dieser Herausforderung. Zur Entwicklung derartiger Systeme wurde im Beitrag Maschinelles Lernen in den Lotpasteninspektionsprozess integriert.

In den letzten Jahren hat das Quantencomputing neue Erfolge erzielt, wie z. B. das Quantenüberlegenheitsexperiment von Google [1] und es zeigt sich, dass es von großen Industrieunternehmen zur Lösung komplexer Probleme eingesetzt wird. Aber was hat zu dieser Entwicklung geführt? Welche Arten von Problemen können wir in naher Zukunft erwarten, die mit Quantencomputing zu lösen sind? Auf welche Herausforderungen stoßen wir bei dieser Technologie und ihrem Einsatz im industriellen Umfeld?

Wie in vielen Industriezweigen gewinnt auch in der Kunststofftechnik die Qualität spritzgegossener Bauteile aufgrund erweiterter Einsatzgebiete mit höheren mechanischen Belastungen zunehmend an Bedeutung und wird zu einem entscheidenden Erfolgsfaktor für den langfristigen Unternehmenserfolg. Zunehmend komplexe Bauteilgeometrien, steigende Variantenvielfalt, höhere Anforderungen an Nachhaltigkeit und Ressourceneffizienz sowie wachsender Kostendruck führen jedoch dazu, dass etablierte Methoden der Qualitätssicherung vermehrt an ihre Grenzen stoßen. Gleichzeitig eröffnen die zunehmende Digitalisierung und Vernetzung im Rahmen von Industrie 4.0 produzierenden Unternehmen innovative Möglichkeiten für die qualitätsorientierte und datengetriebene Weiterentwicklung und Optimierung von Produkten und Prozessen. Der Digitale Zwilling als Basis prozess- und unternehmensübergreifender Datenanalytik eröffnet in der Kunststofftechnik neue Möglichkeiten, die Prozess- und Bauteilqualität ...

Mit zunehmender Datenverfügbarkeit wird der Einsatz Maschinellen Lernens zur Steuerung und Optimierung von Supply Chains attraktiver, da die Qualität der Datenauswertung erhöht und gleichzeitig der Aufwand gesenkt werden kann. Anhand des SCOR-Modells werden exemplarische Ansätze als Orientierungshilfe eingeordnet und dazu passende Verfahren des Maschinellen Lernens vorgestellt.