Dr. Alexander Engels ist mit diesem Beitrag im A&D-Kompendium 2020 als einer von 100 Machern der Automation vertreten. Alle Beiträge des A&D-Kompendiums finden Sie in unserer Rubrik Menschen .
Die Integration von Künstlicher Intelligenz (KI) in Produkte und Services wird zu einem der wichtigsten Treiber in Fertigung, Automatisierungstechnik und Maschinenbau. Der Anspruch: Produktionssysteme müssen in der Lage sein, selbständig dazuzulernen. Nur so lässt sich die Komplexität industrieller Prozesse nutzbringend beherrschen.
Wir kombinieren KI, Entscheidungsoptimierung und die Cloud unseres Investors QSC AG zu einem integrierten Planungs- und Lernsystem – „KI made in Aachen.“ Wie das funktioniert? Vereinfacht ausgedrückt sorgt Maschinelles Lernen (ML) dafür, dass bisher unvorhersehbare Ereignisse bereits im Planungslauf vorab berücksichtigt werden. Ein Beispiel: Bei der Überwachung von Maschinen erkennt die KI anhand der Messdaten automatisch, wann Techniker Verschleißteile einer Maschine austauschen müssen, um teuren Stillstand zu vermeiden. Voraussetzung: ein großer Bestand an historischen Daten – mit kritischen Fehlern, Störungen oder unerwünschten Messwerten. Die Anwendung wird darauf trainiert und erkennt später die Systemzustände zuverlässig wieder.
Integriertes Planungs- und Lernsystem
Dieses Szenario basiert auf der Vernetzung der Maschinen mit dem Internet der Dinge (Internet of Things, IoT) durch Sensoren und Aktoren. Sensoren ermitteln typische Maschinendaten wie Temperatur, Stromaufnahme oder Vibration. Aktoren stellen Parameterwerte ein oder führen Aktionen aus, etwa mit Schrittmotoren. Beide Komponenten sind meist vorhanden, lassen sich aber auch nachrüsten.
Die Daten erreichen zuerst ein Edge-Gateway am Rand des IT-Netzwerks, das als Sammelstation für Daten dient. Oft werden diese dort vorverarbeitet und gefiltert. Der Grund für diese Aufgabenteilung zwischen Edge und Cloud: Die Vielzahl der Sensoren erzeugt große Datenmengen. Um die Netze nicht zu überlasten, sollten nur relevante Daten in die Cloud gehen.
Einsatzgebiet Predictive Maintenance
Ein typisches Einsatzgebiet ist die vorausschauende Wartung bei Werkzeugmaschinen: Schlägt etwa der Temperatursensor in einem Kugellager Alarm, weil dieses nicht ausreichend geschmiert war und deshalb heiß lief, ist es oft zu spät: Die Produktion muss gestoppt, die Anlage repariert werden – die Folge: hohe Reparaturkosten und Umsatzeinbußen. Mit Hilfe von Machine Learning können Mitarbeiter eine solche Situation frühzeitig erkennen – anhand auffälliger Vibrationen, steigender Temperaturen oder Abweichungen beim Produktionsausstoß.
Künstliche Intelligenz lässt sich aber auch sehr gut einsetzen, um viele andere Herausforderungen in der Industrie zu bewältigen: etwa für die exakte Vorhersage von Rüstzeiten. Auch Feinplanung und Echtzeitsteuerung des Materialflusses in Industrieanlagen wird mit KI deutlich präziser. Und in der Logistik helfen Maschine-Learning-Modelle dabei, den Platz auf Europaletten oder in Containern besser zu nutzen.
Schon diese wenigen Anwendungen zeigen, wie groß das Potenzial von KI für Unternehmen ist. Und obwohl etwa im Bereich der Prozessautomatisierung zunehmend mehr Unternehmen auf KI setzen, nutzen branchenübergreifend nur die wenigsten die Chancen, die KI ihnen bietet. Dabei hängt davon die wirtschaftliche Entwicklung in Deutschland wesentlich ab. Denn wer nicht mehr innovativ ist, wird früher oder später vom Markt verschwinden.
