Technologie: Künstliche Intelligenz

Entscheidungsunterstützung mit KI

Entscheidungsunterstützung mit KI

Eine Analyse technischer und sozialer Faktoren für die industrielle Instandhaltung in Deutschland
Jonas Wanner, Lukas-Valentin Herm, Kevin Fuchs, Axel Winkelmann, Christian Janiesch
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.
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 2 | Seite 39-43
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.
Ansatz zur Zustandsbeschreibung technischer Bauteile

Ansatz zur Zustandsbeschreibung technischer Bauteile

Prognose der Restnutzungsdauer basierend auf zeitdiskret erfassten Bauteilzuständen mithilfe mobiler Sensorik
Lukas Egbert ORCID Icon, Anton Zitnikov ORCID Icon, Thorsten Tietjen, Klaus-Dieter Thoben ORCID Icon
Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem ...
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 2 | Seite 35-38 | DOI 10.30844/I40M_21-2_S35-38
Der Machine-Learning-Kompass für Produktentwicklung und Produktion

Der Machine-Learning-Kompass für Produktentwicklung und Produktion

Identifikation und Planung von Machine-Learning-Algorithmen in verarbeitenden Unternehmen
Alexander Jacob, Carmen Krahe, Rebecca Funk, Gisela Lanza ORCID Icon
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.
Industrie 4.0 Management | 37. Jahrgang | 2021 | Ausgabe 2 | Seite 7-11
Steuerung adaptiver Systeme mittels digitalem Zwilling

Steuerung adaptiver Systeme mittels digitalem Zwilling

Mensch-Technik-Interaktion während des Produktlebenszyklus am Beispiel der Containerentladung
Lennart Rolfs, Nils Hoppe, Christoph Petzoldt, Jasper Wilhelm, Thies Beinke, Michael Freitag ORCID Icon
Mit bedienerseitigen Eingriffsmöglichkeiten erlauben semi-autonome Systeme eine bessere Bewältigung auftretender Komplexitäten als vollautonome Systeme. Der Einsatz eines digitalen Zwillings ermöglicht eine neuartige Schnittstelle für die Interaktion mit solchen Systemen. Dieser Beitrag beschreibt die Implementierung der Steuerung und Nutzerschnittstelle in einem System mit digitalem Zwilling. Es wird gezeigt, wie die entwickelte Steuerungsarchitektur die Einbindung verschiedener Methoden der Mensch-Technik-Interaktion und die Durchführung virtueller Schulungen ermöglicht. Auf diese Weise kann die Steuerung des Systems über die Betriebsphase hinaus in anderen Phasen des Lebenszyklus verwendet werden.
Industrie 4.0 Management | 36. Jahrgang | 2020 | Ausgabe 5 | Seite 15-19
Digital verarbeitbare Kompetenzbeschreibungen

Digital verarbeitbare Kompetenzbeschreibungen

Ein Linked Data-Ansatz für ein generisches Kompetenzmodell
Jan Wunderlich, Meike Tilebein ORCID Icon
Zunehmend spezialisierte, diverse und auch gänzlich neue Kompetenzen und Kompetenzprofile erschweren die Interpretation von Bildungsabschlüssen und das Matching von Anforderungsprofilen mit Kompetenzen von Individuen oder Gruppen. Wenn Kompetenzbeschreibungen natürlichsprachlich formuliert vorliegen, ist die informationstechnologische Unterstützung bei der Aktualisierung, Kommunikation und Analyse begrenzt. Es erscheint daher erstrebenswert, Kompetenzen in einer formalen, computerunterstützt auswertbaren Beschreibungssprache zu modellieren. In diesem Beitrag wird der Ansatz einer generischen Syntax zur Formulierung von Lernzielen vorgestellt, wodurch auch komplex formulierte Kompetenzen und Lernziele in einer computerunterstützt auswertbaren Ontologie abgebildet werden können und mit Semantic Web- und Linked Data-Techniken geteilt und weiterverarbeitet werden können.
Industrie 4.0 Management | 36. Jahrgang | 2020 | Ausgabe 3 | Seite 37-40
Mensch und digitale Technologie

Mensch und digitale Technologie

Eine Roadmap für die digitale Transformation einer Alpenregion
Dominik T. Matt ORCID Icon, Guido Orzes, Giulio Pedrini, Mirjam Beltrami, Erwin Rauch
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.
Industrie 4.0 Management | 36. Jahrgang | 2020 | Ausgabe 3 | Seite 11-15
Autonome Produktionen und Roboter

Autonome Produktionen und Roboter

Möglichkeiten und Forschungsfelder maschineller Lernverfahren für das Produktionsumfeld
Marco Huber
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.
Industrie 4.0 Management | 36. Jahrgang | 2020 | Ausgabe 2 | Seite 15-18
KI in der visuellen Qualitätskontrolle

KI in der visuellen Qualitätskontrolle

Mit intelligenten Algorithmen die Produktqualität verbessern, die Effizienz steigern und Kosten reduzieren
Stefanie Horrmann
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.
Industrie 4.0 Management | 36. Jahrgang | 2020 | Ausgabe 2 | Seite 57-60
1 … 9 10 11 … 18