Implementierung von maschinellem Lernen in der Produktion

Herausforderung der Implementierung von maschinellem Lernen

Maschinelles Lernen und künstliche Intelligenz werden häufig als abstrakte Begriffe wahrgenommen. Tatsächlich steckt dahinter jedoch ein sehr praxisorientierter Ansatz, um Maschinen und Anlagen zielgerichtet mit Sensoren auszurüsten und über das Sammeln und Auswerten von Daten Verbesserungen im Prozess oder im Produkt zu erzielen. Eine große Befürchtung ist, dass das vorhandene Know-how im Unternehmen für die Einführung nicht ausreicht. Dies ist nur zum Teil zutreffend. Es gilt die bestmöglichen Anwendungsfälle zu erkennen und technische Lösungen am Markt zu identifizieren. Hierbei handelt es sich um Erfahrungswissen, welches wir als Beratung bereits aufgebaut haben, beziehungsweise mit unserem Netzwerk einbringen. Daneben ist jedoch auch ein großer Anteil an Domänenwissen für die Analyse und Interpretation der Daten notwendig. Dieses ist in den Unternehmen vorhanden und gilt es durch die geeignete Moderation und Koordination abzurufen. Pilotanwendungen mit externen Experten helfen die notwendigen Managementprinzipien anzuwenden und organisatorisch zu verfestigen.

Identifikation rentabler Anwendungsbereiche

Das TCW unterstützt Unternehmen bei der Identifikation und Bewertung potenzieller Anwendungsbereiche von künstlicher Intelligenz. Hierbei sind viele Anwendungsfälle möglich – von Predictive Maintenance bis hin zu datenbasierten und computerunterstützten Produkt- und Prozessoptimierungen. So konnte in einem Beispiel die Abnutzung kritischer Elemente in 3D-Druck Maschinen nachmodelliert werden, um mittels Softwareprogrammen ein optimiertes Bauteil zu entwickeln. In der Folge stieg die Verfügbarkeit der Anlage um 15% und die Ausbringungsmenge um 20%. Um entsprechende Anwendungsfälle zu erkennen, unterstützt das TCW mit der Analyse verschiedener Produktivitätskennzahlen und Technologielebenszyklen und diskutiert mit den Unternehmen die Hauptursachen von Verschwendung.

Erstellung von Softwaremodellen

Die Implementierung und Umsetzung von maschinellem Lernen basiert auf der Erstellung von Softwaremodellen zur intelligenten Zukunftsprognose. In Abbildung 1 ist der Entwicklungszyklus schematisch dargestellt. Es gilt im ersten Schritt zu entscheiden, welche Probleme gelöst werden sollen und welche Daten hierfür notwendig sind. Anschließend werden zusammen mit den Mitarbeitern Auffälligkeiten in den erhobenen Daten identifiziert und Ursachen für Extremausprägungen diskutiert. Auf Basis der identifizierten Zusammenhänge werden durch die Analysten des TCW Softwaremodelle erstellt, die getestet und iterativ optimiert werden, um die bestmögliche Nutzung zu gewährleisten. Anschließend unterstützen wir Sie auch bei der Auswahl und Beauftragung der richtigen Implementierungspartner, beispielsweise zur Realisierung intelligent automatisierter Maschinensteuerungen.

Fallbeispiele zeigen hohes Potenzial

Der Einsatz von Softwaremodellen dient einerseits zur Lösung konkreter Problemstellungen, andererseits lassen sich damit auch detaillierte Abbildungen der Wirklichkeit in Applikationen realisieren. Basierend auf echtzeitnahen Daten lassen sich mittels digitaler Zwillinge sogar ganze Produktionseinheiten und -bereiche virtuell nachbilden. Die wirtschaftlichen Vorteile liegen weniger in der Fernbeobachtung der Fertigung und im verbesserten Controlling, sondern in den großen, multivariablen Datensätzen. Regressionsanalysen über zeitgleiche Operations- und Umweltdaten ermöglichen die Berücksichtigung und Kausalitätsprüfung bisher nicht betrachteter Störgrößen. So wurde in einem Fallbeispiel die Präzision eines CNC-Bearbeitungszentrums in Abhängigkeit zur Außentemperatur untersucht. Da ab bestimmten Außentemperaturbereichen die Fehlerhäufigkeit bei Bauteilen mit niedrigen Toleranzen signifikant anstieg, war es möglich diese Variable für einen automatischen Genauigkeitsausgleich in den Bearbeitungsprogrammen zu hinterlegen. Zudem wurde der Standort der Maschine verlegt, um die externen Einflüsse zu reduzieren. Hierdurch gingen die Qualitätsprobleme um ~30 Prozent zurück und die Notwendigkeit in eine Neuinvestition war nicht mehr gegeben. In einem weiteren Fallbeispiel mit kollaborativen Robotern war es möglich, ein dynamisches Belastungsprofil des menschlichen Arbeitsplatzes zu erstellen. Durch intelligente und IT-gestützte Jobrotation sowie Auftragsreallokation war es möglich, die Arbeitslast gleichmäßiger auf die Arbeitskräfte aufzuteilen, wodurch die personellen Ausfallzeiten an besonders kritischen Arbeitsplätzen um 10 bis 20 Prozent zurückgingen. In einem weiteren Fallbeispiel wurde der Einsatz von Chat-Bots von der typischen Vertriebsanwendung in die Produktion verlegt. Der Chat-Bot meldet dem Mitarbeiter auf Nachfrage bestimmte Operations- und Umweltdaten und ist in der Lage auf besondere Abweichungen hinzuweisen. Durch eine kürzere Inbetriebnahmezeit und Fehlerabstellung konnte die Produktivität der Anlagen um bis zu 5% gesteigert werden.

Nutzen für Unternehmen

Die TCW-Projekte im Kontext von maschinellem Lernen haben mehrere Ziele. An erster Stelle stehen die Anwendbarkeit und Funktionsfähigkeit der Applikationen. Danach gilt es, ein möglichst hohes Potenzial mit gutem Payback für den Kunden zu erzielen, um die Wirtschaftlichkeit des Projekts zu gewährleisten sowie für die Unternehmen den in Abbildung 2 dargestellten höchstmöglichen Nutzen zu erzielen. Auch muss sichergestellt werden, dass die Unternehmen zur selbstständigen Weiterführung der Tätigkeiten befähigt werden. In enger Zusammenarbeit mit einem Kernteam und Schlüsselmitarbeitern gilt es, während des Projekts das notwendige Wissen an die Mitarbeiter weiterzugeben, sich intensiv auszutauschen sowie das methodische Vorgehen zu verfestigen. So können die genutzten Bewertungsschemata, Maßnahmenlisten und Roadmaps auch nach Projektende von Unternehmen weiter genutzt werden. Im Produktionskontext entstehen etwa in 50% der Fälle in der Schnittstelle zwischen Produktionsmanagement und Digital Office beziehungsweise IT neue Stabstellen, die die Tätigkeiten weiterführen und die Kompetenzen ausbauen. Neben dem Einmaleffekt über konkrete Anwendungsfälle resultiert somit auch ein langfristiger Nutzen für Unternehmen durch die Anwendung neuer Technologien zur fortwährenden Produktivitätssteigerung und optimierten Planung. Zahlreiche Anwendungsbeispiele zeigen, dass Maschinelles Lernen ein Weg ist sowohl Produktivität als auch Flexibilität zu steigern.

Beratungsleistungen

• Künstliche Intelligenz & Machine Learning
• Service to Success
• Maintenance 4.0

Publikationen

• Smart Factory
  Neue Technologien, Fallstudien, Wirtschaftlichkeit und Einführungsstrategien
• Produktivität durch Industrie 4.0
• Produktivitäts-, Zeit- und Qualitätspotenziale durch Industrie 4.0

Praxisbeispiele

• Digitales Ticketsystem zur Produktivitätssteigerung - Industrie 4.0 als Enabler
• Einsatzmöglichkeiten von Softwarerobotern
• Wertschöpfungsorientiertes Total Productive Maintenance-Konzept