Machine Learning in der Industrie 4.0: Fünf Anwendungsfälle & Use Cases.

Lange Zeit mussten Menschen lernen, wie Maschinen funktionieren, wie sie zu bedienen sind und wie sie so effizient wie möglich genutzt werden. Heute ist es umgekehrt: Maschinen lernen Prozesse zu verstehen, mit ihrer Umgebung zu interagieren und ihr Verhalten intelligent anzupassen. Robotik, Sensortechnik, Big Data und Künstliche Intelligenz machen Maschinen in der industriellen Produktion heute smarter als jemals zuvor. Besonders Methoden wie Machine Learning waren in den letzten Jahren dafür verantwortlich, dass hier maßgebliche Fortschritte erzielt wurden. Machine-Learning-Algorithmen bringen zwei wesentliche Vorteile in den Produktionsprozess:

  • Verbesserung der Produktqualität
  • Flexibilisierung des Produktionsprozesses

In bestimmten Industriebereichen ist Machine Learning inzwischen der zentrale Innovationstreiber. Anlass genug, um einen Blick auf fünf der wichtigsten Anwendungsfälle für Machine Learning in der Industrie 4.0 zu werfen.

1. Transformation des Produktionsprozesses: Smart Manufacturing

Machine Learning ist eine von zahlreichen Data-Science-Methoden, die in den großen Bereich der Künstlichen Intelligenz fallen. Mit Machine Learning lassen sich Produktionsprozesse neu begreifen und intelligent transformieren. Daten, die im Rahmen des Produktionsprozesses gesammelt und ausgewertet werden, bilden dafür die Grundlage. Der einzelne Prozess lässt sich so nicht nur besser verstehen, sondern auch optimieren. Datenauswertungen führen dazu, dass Prozesse fortlaufend an die aktuellen Produktionsbedingungen angepasst werden. Smart Manufacturing zeichnet sich entsprechend dadurch aus, dass Optimierungen automatisch durchgeführt werden und Anpassungen auf dem Niveau einzelner Bauteile vorgenommen werden können.

Bei einem unserer Industriekunden sollte beispielsweise der relativ fehleranfällige Lackierungsprozess von Autoteilen verbessert werden. Fehllackierungen stellen eine Herausforderung dar, weil sie viele manuelle Nacharbeiten notwendig machen. Unsere Lösung erfolgte, nachdem wir zunächst den Lackierprozess digital erfassten. In diesem Zuge entstanden Data-Sets zu Parametern wie Lackdicke, den PH-Werten der Lacke oder Trockenzeiten der lackierten Teile, mit denen der Lackierprozess analysiert werden konnte. Die hier entstandenen Erkenntnisse wurden in der Folge zur Optimierung von kritischen Zielvorgaben wie beispielsweise auf ein bestimmtes Spaltmaß hin genutzt.

2. Vorausschauende Wartung: Predictive Maintenance

Sensordaten liefern wertvolle Informationen über den Zustand von Maschinen. Zudem werden Sensoren seit vielen Jahren stetig kleiner und billiger in der Herstellung. Das Monitoring von Maschinen wird so für immer mehr Unternehmen erschwinglicher. In einer Produktionsmaschine kann durch tausende einzelner Messpunkte ein digitales Abbild des aktuellen, „gesunden“ Zustands der Maschine entstehen. Data-Sets von diesem gesunden Zustand lassen sich dazu nutzen, um anschließend Machine-Learning-Algorithmen zu trainieren. Das Ziel dabei ist, mithilfe von Machine Learning in vielen Petabytes an Sensordaten Muster zu erkennen, die auf mögliche Fehlfunktionen oder den Ausfall von einzelnen Bauteilen hinweisen. Das übergeordnete Ziel dabei ist: Maschinen reparieren zu können, noch bevor sie defekt sind.

 3. Autonome Fahrzeuge und interaktive Maschinen in Fertigung

Es gibt eine Eigenschaft, die Machine Learning zu so einem machtvollen Instrument macht: Die Fähigkeit selbständig Muster und Regelmäßigkeiten zu erkennen und diese auf neue, unvorhergesehene Situationen anzuwenden. Der Straßenverkehr ist dabei nur eine von vielen Umgebungen, in denen ständig neue Situationen entstehen, die anhand der trainierten Regeln eingeschätzt werden müssen. Autonome Fahrzeuge und autonom agierende Maschinen sind dabei aber nur ein mögliches Szenario, das dadurch möglich wird. Mindestens ebenso wichtig werden kollaborative Maschinen werden, die so intelligent sind, dass sie mit Menschen interagieren können. Intelligente, interaktive Systeme stehen im Zentrum der Transformation des Fertigungsprozesses in der vernetzten Fabrik. Die Produktion von Produkten mit der „Losgröße 1“ wird so möglich.

4. Optimiertes Energiemanagement für die Klima- und Energiewende

Der Klimawandel und die Energiewende sind zwei der größten aktuellen Herausforderungen. Mit den Folgen muss sich insbesondere auch die Industrie beschäftigen, allen voran die Akteure des Energiemarktes. Der aus der Energiewende resultierende Energiemix aus herkömmlichen und erneuerbaren Energiequellen wie Solarenergie und Windkraft führt dazu, dass es häufiger als bislang zu Schwankungen im Stromnetz kommt. Die Konsequenz: Bei Über- und bei einer Unterproduktion drohen den Stromproduzenten Strafzahlungen, die es auf jeden Fall zu vermeiden gilt. Die folgende Grafik verdeutlicht diese Zusammenhänge:

Machine Learning hilft dabei, den immer komplexer werdenden Energiemarkt beherrschbar zu machen. Die leitende Frage dabei ist: Wie ist es möglich, den Bedarf an Energie immer optimal stillen zu können? Wenn es um Bedarfslücken geht, die durch erneuerbare Energiequellen  entstehen, müssen entsprechend die Rahmenbedingungen der Energieerzeugung sowie des Energiebedarfs analysiert werden. Machine-Learning-Algorithmen helfen dabei, Nachfrage und Angebot optimal aufeinander abzustimmen. Das bringt drei wesentliche Vorteile mit sich:

  • Auf Basis historischer Energieverbrauchsmuster lässt sich der voraussichtliche Bedarf ableiten
  • Eine intelligente Steuerung sorgt für eine preisoptimierte Strategie für Stromerzeuger
  • Die Steuerung der Produktion ist in Echtzeit möglich

5. Qualitätskontrolle oder „Testautomatisierung 2.0“

Insbesondere in Deutschland kommt der Qualität der Produkte, die im Rahmen der industriellen Produktion entstehen, eine herausragende Bedeutung zu. Traditionell wird die Qualität von Produkten erst am Ende des Produktionsprozesses überprüft. Machine Learning stellt diesen Zusammenhang auf den Kopf: Der Einsatz von Sensortechnik und die kontinuierliche Auswertung von Daten auf Bauteilebene ermöglichen es, die Qualität von Werkteilen schon während des laufenden Betriebs zu überprüfen und sicherzustellen. Besonders dann, wenn vorab Fehlerquellen bestimmt und deren Variablen beeinflusst werden können, lassen sich während der Produktion einzelne Messdaten erheben und Tests in den Produktionsablauf integrieren. Eine auf Machine Learning basierte Testautomatisierung kann die Qualität der Produktion signifikant steigern. Besonders der Sektor Maschinenbau kann von Machine Learning und der kontinuierlichen Qualitätskontrolle profitieren.

Machine Learning und die Revolution der fertigenden Industrie

Machine Learning ist einer der wichtigsten Trends der kommenden Jahre und wird die fertigende Industrie von Grund auf verändern. Dabei werden nicht nur große Konzerne von der Transformation betroffen sein, sondern auch kleine und mittelständische Betriebe. Immer günstiger werdende Hardware zur Datenverarbeitung und große Datenmengen sind die zwei Hauptvoraussetzungen für den Wandel, den Machine Learning in der fertigenden Industrie bringen wird.