Die künstliche Intelligenz (KI) bereichert schon heute unseren Alltag, etwa bei der Bild- und Spracherkennung. Der technische Hintergrund ist allerdings komplex. KI beruht im Wesentlichen auf der Berechnung von Wahrscheinlichkeiten und auf dem Erkennen von Mustern. Im industriellen Umfeld haben die potenziellen Anwender bereits erkannt, dass KI-Algorithmen vielversprechende Möglichkeiten bieten. Die entscheidende Frage dabei lautet: Welche Prozesse lassen sich mit KI sinnvoll automatisieren? Mit einem neuen Verständnis für die Anforderungen der Produktion der Zukunft entstehen Anwendungsfelder, die über die heutigen, repetitiven und somit programmierbaren Roboterapplikationen hinausgehen und einen echten Mehrwert bieten.
Im Wesentlichen gibt es zwei Spielarten der KI. Beim maschinellen Lernen geht es einerseits um das Trainieren einer Software. Aus Mustern oder wiederkehrenden Zuständen werden Ableitungen gezogen, mit denen sich die weiteren Produktionsabläufe optimieren lassen. Vereinfacht ausgedrückt werden dabei die Maschinen lernfähig gemacht. Mit der KI lassen sich andrerseits aber auch ganze Produktionsanlagen intelligent planen und steuern. Das ist zum Beispiel sinnvoll, wenn fahrerlose Transportfahrzeuge, sogenannte Automated Guided Vehicles (AGVs), eigenständig intralogistische Aufgaben übernehmen. Hier steht die optimale Planung durch Methoden der KI im Fokus. Bei beiden Ansätzen wird der Programmieraufwand durch die KI auf Basis der großen Datenmengen einfacher und in manchen Fällen sogar erst möglich.
Derzeit werden Produktionsmittel und Bauteile zunehmend miteinander vernetzt. Dieser Trend wird zusammengefasst unter dem großen Thema Industrie 4.0. KI hilft dabei, die ermittelten Daten effektiv zu nutzen und so die verschiedenen Prozesse intelligent miteinander zu verzahnen. Die Anwendungen brauchen dafür aber nicht nur Unmengen von Daten, sondern vor allem die richtigen. Smart Data statt Big Data ist in diesem Fall die Devise.
Das maschinelle Lernen ist eine Spielart der KI und hilft dabei, Robotersysteme fit zu machen für eine flexible Fertigung. Bei dieser Anwendungen geht es darum, Daten zu interpretieren, Korrelationen zu finden und daraus Schlüsse zu ziehen. Dazu leiten die vernetzten Maschinen und Roboter ihre Daten beispielsweise an eine Software oder Cloud-Anwendung weiter. Aus der Datenmenge identifizieren KI-Algorithmen bestimmte Muster und Auffälligkeiten. Dabei werden allgemeine Informationen über den Produktionsprozess gewonnen. Hierzu gehören Abläufe in der täglichen Fertigung, bevorstehende Wartungsarbeiten oder Stillstandszeiten. Mit diesen Daten lässt sich eine sogenannte vorausschauende Wartung (Predictive Maintenance) auf die Beine stellen. Potenzielle Störungen werden im Vorfeld erkannt und lassen sich beheben, bevor sie überhaupt entstehen und Schaden anrichten können. In der Produktion von heute sind Abläufe effizient aufeinander abgestimmt. Selbst kurze Störungen oder Stillstandzeiten haben enorme wirtschaftliche Folgen. Maschinelles Lernen hat das Potential, Produktivität und Verfügbarkeit bei laufender Produktion zu optimieren. Weitere Verbesserungen ergeben sich bei der Prozessqualität, der Taktzeit, dem Energieverbrauch und den Wartungsintervallen.
Bislang wurden Roboter weitestgehend für repetitive Anwendungen eingesetzt. Die Maschinen führen dabei mit gleichbleibend hoher Präzision und Wiederholgenauigkeit ihre vorgegebenen Aufgaben aus. Die Produktion der Zukunft stellt komplexere Anforderungen und muss vor allem flexibler agieren. Aus diesem Grund wenden sich viele Unternehmen an den Roboterbauer Kuka, die ihre starren Produktionsketten mit ihren Engpässen umstellen möchten – sei es wegen geringeren Losgrößen, Auftragsschwankungen oder einer gestiegenen Modellvielfalt. Die Lösung besteht darin, die Logistik von der Produktion zu lösen. Es spielt keine Rolle mehr, was produziert wird. Es geht nur noch um das wie. Die produktneutrale Fertigung setzt sich aus mehreren, hoch flexiblen, roboterbasierten Fertigungszellen zusammen. Diese Form der Fertigung ist die sogenannte Matrixproduktion. Sie spart Platz, erhöht die Flexibilität und läuft autonom ab. Möglich wird das durch eine zentrale Planung. Diese Aufgabe übernimmt eine Software, die auf intelligenten Algorithmen basiert. Die Software plant, was zu tun ist und berücksichtigt dabei Takt- und Lieferzeiten. Für die Umsetzung ist nur noch entscheidend, welche Produktionsressourcen zur Verfügung stehen.
Wie Kuka diesen Ansatz in die Werkshallen bringen möchte, kann man sich schon heute im Smart-Production-Center in Augsburg anschauen. Die Modellfabrik setzt die wandlungsfähige und flexible Matrixproduktion in die Realität um. Mit dieser Technik lassen sich verschiedene Produkte individualisiert auf einer Anlage fertigen.
Augsburger Modellfabrik zeigt die flexible und wandlungsfähige Fertigung
Im Mittelpunkt steht dabei ein Softwarepaket von Kuka, das auf KI-Techniken basiert und die Planung der gesamten Produktion übernimmt. Zur Beobachtung und Optimierung der einzelnen Prozessschritte haben die Augsburger ein weiteres Programmsystem entwickelt. Damit kann der Anwender in Echtzeit über eine webbasierte Oberfläche zentral auf die Produktionsdaten zugreifen und so Rückschlüsse für Optimierungspotentiale ziehen.
In der Augsburger Modellfabrik sorgen AGVs für eine flexible und wandlungsfähige Fertigung. Die Fahrzeuge holen Werkzeuge in einem Toolstore ab und transportieren sie in die Produktionszellen, die gerüstet werden sollen. Gleichzeitig fahren sie das zentralisierte und von der Produktion entkoppelte Materiallager an, um die für den Produktionsprozess benötigten Bauteile in die Zellen zu bringen. Die Steuerung einer solchen komplett wandlungsfähigen Anlage ist nur über KI-Algorithmen möglich. Dabei bietet dieser Ansatz gleich mehrere Vorteile. Der Programmieraufwand wird geringer, die Bedienung einfacher und die Prozesse flexibler. Die klassische Programmierung würde wegen des komplexen Zusammenspiels der Komponenten schnell an ihre Grenzen stoßen. Natürlich werden Abläufe in der Zukunft nach wie vor mit Robotern automatisiert, allerdings ohne dabei den stählernen Werker Schritt für Schritt programmieren zu müssen.
Auch in der Logistik spielt die KI inzwischen eine wichtige Rolle, denn in Zeiten des rasant wachsenden E-Commerce und der zunehmenden Urbanisierung steht die Branche vor völlig neuen Herausforderungen. Intelligente Konzepte sind gefragt, mit denen Kunden ihre Waren schnell und effizient bekommen. Das Unternehmen Swisslog, ein Mitglied der Kuka-Gruppe, hat in diesem Zusammenhang das sogenannte Learning Warehouse entwickelt.
Dahinter steckt die Idee, die Logistik über IT-Systeme mit selbstlernenden Mechanismen auszustatten. Dadurch sollen Arbeitsprozesse effizienter und sogar Aussagen über das zukünftige Kaufverhalten der Kunden möglich werden. Lagersysteme, die mit einer geballten Rechenleistung ausgestattet sind, können Muster, Gesetzmäßigkeiten und Zusammenhänge in unstrukturierten Datensammlungen erkennen und sich selbstständig und dynamisch auf neue Situationen innerhalb des gesamten Logistiksystems einstellen.
So werden zum Beispiel im Sommer ganz andere Artikel nachgefragt als im Winter. Das Lagersystem kann dann zusammen mit der mobilen Robotik die Regale mit den entsprechenden Waren so positionieren, dass schneller darauf zugegriffen werden kann. Das Prinzip funktioniert sogar tagesaktuell, wenn die Systeme auf den Wetterbericht zugreifen können und aus der Vergangenheit wissen, welche Waren zum Beispiel an besonders heißen Tagen vermehrt nachgefragt werden. Dann ist es nur noch ein logischer Schritt, die Ware entsprechend den aktuellen Anforderungen zu sortieren. Die Maschinen sammeln eigene Erfahrungen, können Situationen vorgreifen und vorhandenes Know-how selbständig weiter entwickeln. So wird innerhalb der Lieferkette automatisch für jede Situation in kurzer Zeit die adäquate Entscheidung getroffen.
Die KI hat in den letzten Jahren wegen der stark gestiegenen Rechnerleistung einen Aufschwung erlebt und ist dadurch in den Fokus der Öffentlichkeit gerückt. Die Diskussionen über dieses Thema schwanken zwischen Hype und Befürchtung. Wie so oft liegt die Wahrheit wohl in der Mitte. Sowohl der Hype als auch die Ängste sind übertrieben. Hinzu kommt, dass die Entwicklungen im industriellen Umfeld wegen strikter, regulatorischer Vorgaben erschwert sind. Außerdem fehlen die KI-Programmierer an allen Ecken und Enden. Trotzdem bietet die Technik unvergleichliche Möglichkeiten, die zukünftigen Anforderungen an die Produktion zu meistern. (ub)
„KI vereinfacht die Robotik“
Herr Dr. Bauer, werden sich durch die künstliche Intelligenz, kurz KI, die Bedienung und die Programmierung von Robotern grundsätzlich verändern?
Allerdings. Wir haben heute die Grenzen der normalen Programmierung erreicht. Jetzt sind neue Techniken gefragt. Etwa die Kommunikation mit den Maschinen über natürliche Sprache oder dynamische Bilderkennung, sprich Programmieren durch Erklärung oder Vormachen. Die KI sprengt die Grenzen der konventionellen Vorgehensweise. Denkbar wären auch intelligente Service-Szenarien wie zum Beispiel Handlungsanleitungen, die mit Augumented-Reality-Brillen direkt am Roboter gezeigt werden. Und nicht zuletzt lassen sich die Bewegungen von Robotern durch maschinelles Lernen verbessern, Stichwort optimierte Bahnplanung.
Wie steht es um die Lernfähigkeit von Robotern? In diesem Zusammenhang fallen Begriffe wie maschinelles Lernen und Deep Learning. Was steckt dahinter?
Maschinelles Lernen ist ein Oberbegriff. Darunter fallen die Interpretation von Daten, das Aufspüren von Korrelationen und die künstliche Generierung von Information. Ein künstliches System lernt in der Praxis und kann das gewonnene Wissen verallgemeinern. Es werden nicht einfach Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten erkannt.
Und mit Deep Learning geht es dann in die Tiefe?
Das kann man sich durchaus so vorstellen. Deep Learning ist eine Methode des maschinellen Lernens. Das Lernen erfolgt über künstliche neuronale Netze mit einer umfangreichen Struktur. Neuronale Netze wiederum sind Daten- und Rechenstrukturen, die dem biologischen Gehirn nachempfunden sind. Das alles dient einem Zweck, nämlich aus einer Unmenge von Daten Rückschlüsse zu ziehen beziehungsweise Gesetzmäßigkeiten abzuleiten.
Welche Bedeutung haben diese Begriffe für den Geschäftsführer eines mittelständischen Maschinenbauers, der sich mit der Frage beschäftigt, ob er in seinem Unternehmen zum Beispiel eine Mensch-Roboter-Kollaboration einführen soll oder nicht?
Für den angesprochenen Geschäftsführer haben wir eine gute Nachricht. Durch die künstliche Intelligenz wird der Umgang mit Robotern einfacher und intuitiver. Klassische Industrieroboter sind heute noch weitgehend den Experten vorbehalten. Die KI kann zur Demokratisierung der Robotik beitragen. Das führt dazu, dass auch der Mittelstand verstärkt von roboterbasierten Lösungen profitieren wird. (ub)
Dr. Andreas Bauer, Software-Architekt Kuka Division Automotive: „KI kann zur Demokratisierung der Robotik beitragen.“Hier finden Sie mehr über:
