Künstliche Intelligenz macht Fabriken clever
Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz (KI) in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 erfahren.
Foto: Trumpf SE + Co. KG
Können sich Produktionsmaschinen aus eigener Kraft optimieren? Können sie aus ihren Fehlern lernen? Und können sie sich Know-how von anderen Maschinen aneignen? Mit künstlicher Intelligenz (KI) ist all das möglich. „Wir haben lange an der Optimierung unserer Prozesse in der Produktionstechnik gearbeitet und hier einen Wettbewerbsvorteil erzielt, den wir nun auch in der digitalen Transformation der industriellen Produktion erreichen sollten“, erklärt Markus Spiekermann, Abteilungsleiter Datenwirtschaft beim Fraunhofer-Institut für Software- und Systemtechnik ISST. Um den neuen Anforderungen zu begegnen, spiele KI eine „maßgebliche Rolle“, so Spiekermann. „Denn nur durch den Nutzen von KI-Methoden kann ein hoher Grad an Automatisierung erreicht werden.“
So nutzt die Industrie künstliche Intelligenz
In der Industrie ist der Trend zur KI angekommen. Der Werkzeugmaschinenbauer J.G. Weisser Söhne GmbH & Co. KG beispielsweise setzt auf KI-Modelle, die vorausschauende Wartung von Drehmaschinen ermöglichen.
„Bei der vorausschauenden Wartung wird mithilfe von KI prognostiziert, wann ein Wartungsbedarf an einer Maschine entstehen wird, bevor es zu einem Ausfall kommt“, erklärt Dr.-Ing. Robin Hirt, Geschäftsführer und Gründer des Karlsruher Start-ups Prenode GmbH. Moderne Produktionsmaschinen können sich mithilfe von KI selbst optimieren, sagt Hirt. „Sie nutzen dazu in der Regel so genannte Machine-Learning-Methoden, die es ihnen ermöglichen, Muster und Zusammenhänge in den Produktionsdaten zu erkennen und daraus automatisch Verbesserungen abzuleiten.“ Auch das Lernen aus Fehlern und die Übernahme des Know-hows von anderen Maschinen sei so in vielen Fällen möglich.
Lesen Sie auch: Technoseum macht künstliche Intelligenz und Robotik begreifbar
Weil die Daten einer einzelnen Drehmaschine häufig nicht ausreichen, um ein präzises KI-Modell zu trainieren, kommt die Technik des Federated Learning zum Einsatz. Federated Learning ermöglicht es, mit dezentral gespeicherten Daten ein gemeinsames KI-Modell zu trainieren, ohne die Daten direkt auszutauschen. Die individuellen Daten verbleiben also auf den jeweiligen Anlagen und müssen nicht zentral an einem Ort, beispielsweise in einer Cloud des Maschinenherstellers, gespeichert werden.
Die KI-Modelle schätzen aufgrund aktueller Drehmaschinendaten den gegenwärtigen Zustand der Anlage ab und geben diesen an das Bedienpersonal weiter. Eingesetzt werden dabei neuronale Netze aus dem Bereich des Deep Learnings.
Kamerabasiertes Assistenzsystem: KI steigert Maschinenauslastung
Mit künstlicher Intelligenz funktioniert auch der Sorting Guide, ein System des Laserspezialisten Trumpf aus dem baden-württembergischen Ditzingen, das beim Sortieren produzierter Teile hilft und so die Maschinenauslastung steigern kann. Der Sorting Guide ist ein kamerabasiertes Assistenzsystem und setzt auf Dezentrales Machine Learning. Hauptbestandteile des KI-Systems sind eine hochauflösende Kamera, ein großer Bildschirm, ein Industrie-PC und eine intelligente Software zur Bildverarbeitung.
„Beim Dezentralen Machine Learning werden mehrere Maschinen miteinander vernetzt und bilden gemeinsam ein KI-System“, erklärt Prenode-Geschäftsführer Hirt das Prinzip. Dabei sammeln die Maschinen kontinuierlich lokal Daten über ihre Arbeitsvorgänge. Dann wird für jede Maschine ein KI-Modell entwickelt, das anschließend zentralisiert wird. „In einer zentralen Cloud werden diese Modelle dann fusioniert und wieder in die einzelnen Anlagen zurück übertragen“, so Hirt weiter. Das KI-System könne dann lokal auf alle Erfahrungen der anderen Maschinen zurückgreifen, ohne dass jemals sensible Rohdaten ausgetauscht werden müssten. „Auf diese Weise können die Maschinen ihre Arbeitsvorgänge effizienter gestalten und eine höhere Produktivität erreichen“, verspricht Hirt.
Der Sorting Guide von Trumpf erkennt durch vorhandene Stammdaten und selbstlernende Bildverarbeitung entnommene Teile und gibt über den Bildschirm eine Empfehlung zum Absortieren. Weil die produzierten Teile auf dem Bildschirm farbig markiert sind, sieht das Bedienpersonal der Maschine sieht auf einen Blick, welche Teile bereit sind für die Weiterverarbeitung und wo gegebenenfalls die Nachproduktion eingeleitet werden muss.
Lesetipp: Neu im Vorstand von DMG Mori – eine Vermittlerin der Kulturen
Auf künstliche Intelligenz setzt auch ein neues Verfahren, das den Werkzeugverschleiß in Zerspanungsprozessen, also etwa beim Bohren oder Fräsen, analysiert. Einerseits sollen die teuren Werkzeuge möglichst lange eingesetzt werden. Andererseits ist es wichtig, die Restlebensdauer genau abzuschätzen. Um den Verschleißzustand zuverlässig vorhersagen und so Zerspanprozesse optimieren zu können, haben Forscher der Technischen Universität Kaiserslautern ein Verfahren entwickelt, das das System anhand von realen Prozess- und Messdaten trainiert.
Die Daten, die das System zum Lernen braucht, werden bei fünf Partnerunternehmen erhoben – darunter sind Global Player ebenso wie kleine und mittlere Unternehmen. Dabei werden verschiedene Varianten durchgespielt, was etwa Werkzeug- und Werkstofftypen oder Prozessparameter betrifft, und so eine breite Datenbasis über die gesamte Lebensdauer bis hin zum Versagen des Werkzeugs erfasst.
