Maschinelles Lernen

KI-gestützte Optimierung repetitiver Prozesse

KI-gestützte Optimierung repetitiver Prozesse

Eine Kodierungstechnik für repetitive Prozesse in der evolutionären Optimierung
Christina Plump, Rolf Drechsler, Bernhard J. Berger
Optimierung ist eine wesentliche Fragestellung in vielen Kontexten. Sei es Ressourcen-, Zeit-, Personal- oder nicht zuletzt auch Kosteneffizienz, regelhaft müssen Prozesse, Einstellungen, Zusammensetzungen - die Liste ließe sich beliebig fortsetzen − optimiert werden. Um das Optimierungsproblem zu lösen, gibt es viele unterschiedliche Techniken. Eine besondere Klasse stellen die evolutionären Algorithmen dar, sie zählen zu den populationsbasierten, heuristischen Verfahren. Sie erlauben auch die Optimierung von Problemen mit vielen lokalen Optima oder stark durch Nebenbedingungen eingeschränkten Suchräumen. Gleichzeitig sind sie in der Lage, im Rahmen eines einzelnen Optimierungslaufs mehrere Lösungsmöglichkeiten vorzuschlagen. Ein besonderer Aspekt bei der Verwendung von evolutionären Algorithmen ist die Wahl der korrekten Kodierung oder die wohldefinierte Spezifikation einer Kodierung. Insbesondere bei der Optimierung eines Prozesses, der aus sich wiederholenden ...
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 19-22 | DOI 10.30844/IM_23-1_19-22
Optische Erfassung von Messwerten

Optische Erfassung von Messwerten

Maschinelle Lernverfahren zur Digitalisierung manueller Ablese- und Messvorgänge
Matthias Mühlbauer, Hubert Würschinger, Nico Hanenkamp, Svyatoslav Funtikov
Im Fabrikbetrieb kommen häufig Messmittel zum Einsatz, bei denen noch keine automatische Abspeicherung oder Weiterverarbeitung des gemessenen Werts erfolgt. Mitarbeiter müssen in diesem Fall den Messwert manuell erfassen und weiterverarbeiten. Folgend wird ein Ansatz zur optischen Erfassung und Digitalisierung von Messwerten mithilfe Maschineller Lernverfahren vorgestellt. Dies soll zur Entlastung der Mitarbeiter beitragen, Ablesefehler reduzieren sowie eine automatisierte Dokumentation ermöglichen.
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 43-47 | DOI 10.30844/IM_23-1_43-47
Predictive Manufacturing

Predictive Manufacturing

Ein Intelligentes Überwachungssystem zur Erkennung von Anomalien im 3D-Druck
Benjamin Uhrich, Shirin Lange, Miriam Louise Carnot, Martin Schäfer
Beim selektiven Laserschmelzen wird Metallpulver schichtweise aufgeschmolzen und mit dem bereits gefertigten Bauteil verschmolzen. Innerhalb dieses Prozesses entstehen vermeidbare fehlerhafte Schichten. Derartige Fehler sind erst durch verschiedene Druck- und Zugfestigkeitsexperimente nach dem Druck feststellbar. Dieses Vorgehen ist kostenintensiv und ineffizient.
Industrie 4.0 Management | 39. Jahrgang | 2023 | Ausgabe 1 | Seite 27-31 | DOI 10.30844/I4SE.23.1.88
Energieeffiziente Pumpwerk- und Schleusensteuerung

Energieeffiziente Pumpwerk- und Schleusensteuerung

Softwaresysteme zur nachhaltigen 
Energieeffizienzsteigerung komplexer Hafenanlagen
Thimo Schindler, Arne Schuldt
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.
Industrie 4.0 Management | 38. Jahrgang | 2022 | Ausgabe 4 | Seite 57-61
Autonome Qualitätsprüfung 4.0

Autonome Qualitätsprüfung 4.0

Reduzierung von Pseudofehlern in der Leiterplattenfertigung durch die Integration von Maschinellem Lernen
Lukas Schulte, Nils Killich, Jochen Deuse ORCID Icon, Florian Meierhofer
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.
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 6 | Seite 52-56
Bereit für Künstliche Intelligenz?

Bereit für Künstliche Intelligenz?

Empfehlungen für die KI-Transformation im Mittelstand
Ralf Klinkenberg, Philipp Schlunder
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.
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 6 | Seite 62-66
Selbstlernende Assistenzsysteme für Industrieroboter

Selbstlernende Assistenzsysteme für Industrieroboter

Gestenbasierte Programmierung von skillbasierten Robotersystemen in der Montage
Ulrich Berger, Marlon Lehmann, Ronny Porsch
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.
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 6 | Seite 23-26
Quantencomputing: Eine kurze Geschichte

Quantencomputing: Eine kurze Geschichte

Anwendungen des Quantencomputings im Automobilbereich
David von Dollen, Daniel Weimer, Florian Neukart
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?
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 4 | Seite 34-36
Maschinelles Lernen im Supply Chain Management

Maschinelles Lernen im Supply Chain Management

Ein Überblick über bestehende Ansätze anhand des SCOR-Modells
Benjamin Seifert, Theo Lutz ORCID Icon
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.
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 2 | Seite 49-51
I4M 2/2021: Maschinelles Lernen

I4M 2/2021: Maschinelles Lernen

Autonome Systeme und Sicherheitsstrategien: Die Zukunft der Fertigung und Logistik
Maschinelles Lernen hat für den industriellen Bereich ein unschätzbares Potenzial. Durch die Analyse großer Datenmengen können Maschinen Muster und Zusammenhänge erkennen, die für menschliche Experten oft schwer zu identifizieren sind. Dies ermöglicht eine präzisere Vorhersage von Fehlern und Ausfällen in Produktionsanlagen. Die dadurch verbesserte Wartung und höhere Betriebseffizienz senkt Kosten und kann Wettbewerbsvorteile sichern.
1 2 3 4