Maschinelles Lernen

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.

Künstliche Intelligenz und ihr Teilgebiet Maschinelles Lernen sind in aller Munde. Genaueres Wissen darüber, was die Begriffe eigentlich meinen, ist jedoch oft noch nicht umfassend vorhanden. Deshalb stellt der Beitrag zunächst einiges Grundwissen zum Thema vor und zeigt dann auf, welche Einsatzmöglichkeiten und Mehrwerte insbesondere maschinelle Lernverfahren für die Produktion bieten können. Die Robotik, beispielsweise ein autonomer Griff-in-die-Kiste, ist ein Teilgebiet im Produktionsumfeld, das von den beschriebenen Technologien insbesondere profitiert. Abschließend geht der Beitrag auf das Thema Erklärbarkeit von maschinellen Lernverfahren ein. Das Entschlüsseln der „Black Box“ ist aus technischen, rechtlichen und gesellschaftlichen Gründen eine essenzielle Aufgabe für KI-Experten.

Komplexe Hafeninfrastruktursysteme bieten oftmals ein großes Potenzial zur Energieeffizienzsteigerung und Optimierung interner Prozessabläufe. Mithilfe moderner und innovativer Methoden sollen Lösungen geschaffen werden, um bestehende Verfahrensweisen zu verbessern, ohne großflächige Veränderungen der Hafeninfrastruktur vorzunehmen. Als konkretes Anwendungsszenario der angewandten Methoden dient ein abgeschleuster Tidewasserhafen in Norddeutschland.

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.

Diese Ausgabe untersucht die Auswirkungen autonomer Technologien auf Seehäfen und dezentralisierte Produktionssteuerungen in Smart Factories. Welche Rolle spielen Künstliche Intelligenz und Cyber-Physische Systeme in der Industrie 4.0? Ein Fokus liegt auf der Automatisierung von Hafeninfrastrukturen und der Implementierung von Lean-Management als Basis für digitale Transformation – praxisnah und forschungsstark.

Wie kann die Digitalisierung in Logistik und Produktion gelingen? Themen in dieser Ausgabe sind unter anderem Cyber-Physische Systeme zur Lkw-Auslastungsoptimierung, automatisierte Containertransportsysteme, intelligente Objekte in der vernetzten Logistik und die Rolle von Augmented Reality. Weitere Artikel untersuchen politische Instrumente zur Digitalisierung, Industrie 4.0-Readiness oder die Nutzung sozialer Netzwerke zur Effizienzsteigerung.

Presslinien führen einen mehrstufigen Umformprozess durch, der in der Praxis weitestgehend als Blackbox betrieben wird. Erst am Ende der Linie findet eine Qualitätskontrolle und gegebenenfalls eine Anpassung der Anlagenparameter statt, sollte ein Fehler aufgetreten sein. Im Forschungsprojekt SmartPress wird ein System entwickelt, das mithilfe bildgebender Sensorik Informationen über die aktuelle Platine aus den einzelnen Prozessstufen extrahiert. So werden z. B. Daten über Ziehränder mit dem Wissen über den aktuellen Systemzustand (z. B. aktuelle Haltekräfte) kombiniert. Ein neuronales Netz bildet die hochkomplexen Zusammenhänge zwischen Anlagenparametern und Produkteigenschaften ab. Auftretende Veränderungen an den Platinen werden so im laufenden Prozess erkannt und Anlagenparameter entsprechend produktindividuell angepasst.

Bei Verarbeitungsanlagen handelt es sich um verkettete Hochleistungsmaschinen zum Herstellen und Verpacken von Massenbedarfsgütern wie Lebensmitteln, Pharmazeutika oder Getränken aus biogenen Rohstoffen. Die Anforderungen an die Maschinen steigen stetig durch höhere Produktionsgeschwindigkeit und größere Flexibilität, um auf derselben Anlage verschiedene Produkte herstellen zu können. Durch die Individualisierung der Massenprodukte in Industrie 4.0 wird dieser Trend noch verstärkt [1]. Störungen im Prozess, bspw. infolge schwankender Produkteigenschaften, sind jedoch auch in den modernsten Anlagen nicht vollständig vermeidbar. Daher sind auch weiterhin Menschen in der Produktion erforderlich, die in den Prozess eingreifen und Störungen beseitigen. Die Identifikation der Störungsursache und Lösungsstrategie erfordert jedoch umfangreiches Erfahrungs- und Prozesswissen. Dieses Wissen geht den Unternehmen jedoch zunehmend verloren, wodurch hohe Produktionsverluste entstehen. ...

Data Science ist ein etabliertes Mittel, beispielsweise für die Wissensgewinnung aus betriebswirtschaftlichen Daten. Die fortschreitende Digitalisierung von Produkten und Produktionssystemen ermöglicht die breite Anwendung von Data Science in technischen Systemen. Die Anforderungen und Rahmenbedingungen, z. B. zur Regelung und Optimierung von Fertigungsprozessen, unterscheiden sich jedoch signifikant von etablierten Data Science Anwendungen. Industrial Data Science legt den Schwerpunkt auf die Anwendung von Datenanalyse- und maschinelle Lernverfahren für technische Systeme im industriellen Umfeld. Dieser Beitrag charakterisiert die Herausforderungen von Industrial Data Science, beschreibt Anwendungsfälle und zeigt generelle Anwendungsindikatoren für Industrial Data Science auf.