KI ist in der Fertigung angekommen

» Nico Schröder, Korrespondent Industrieanzeiger, Augsburg

Inhaltsverzeichnis

1. Reichhaltige Daten füttern Algorithmen
2. Die KI trainieren
3. Wirtschaftliches Potenzial
4. Power in der Cloud
5. KI-Werkzeuge in der Fertigung nutzen
6. Robotik und Reinforcement Learning
7. KI-Lösungen optimieren die Fertigung
8. Weniger Nacharbeit und Ausschuss
9. Auswahl von KI-Werkzeugen
10. Vertrauenswürdige KI in der Produktion
11. Kommentar: Entwicklungen schnell nutzen

KI ist in der Fertigung angekommen. Laut Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA wird KI insbesondere rund um die Bildverarbeitung in der Fertigung eingesetzt. Beispielsweise sei dies in der optischen Inspektion oder beim Erkennen von Objekten der Fall, ohne dass das System hierfür vorab Informationen zu den Objekten bräuchte.

Prof. Marco Huber, Leiter der Abteilungen Bild- und Signalverarbeitung sowie Cyber Cognitive Intelligence am Fraunhofer IPA, sagt: „Mittels KI-basierter Qualitätsprognose – Predictive Quality – kann auf der Grundlage erfasster Maschinenparameter wie etwa Kraftkennlinien, Stromverläufen oder Vibrationen auf die Qualität der Fertigung geschlossen werden.“ Dies erlaube es, Maschinenparameter zu optimieren, um die Fertigung im optimalen Betriebspunkt zu halten.

Reichhaltige Daten füttern Algorithmen

In diesem Kontext spiele GenAI, also generative KI, eine wichtige Rolle. Dazu erklärt Huber: „Damit können synthetische Bilder generiert werden. Sie bereichern den Datensatz, mit denen der Algorithmus lernt. Beispielsweise gibt es in realen Datensätzen zu wenig Bilder von Bauteilen mit Defekten, um diese sicher erkennen zu können. Mithilfe synthetischer Bilder kann das System jedoch auch lernen, die Defekte zu erkennen.“ Zudem böte GenAI über die Textgenerierung Unmengen an Einsatzpotenzialen, „die sich jetzt sicher sehr schnell in Anwendungen zeigen werden“, so Huber. Das könne die automatisierte Generierung von Software-Code sein, aber auch von Dokumentationen oder Text für die Maschinenbedienung. Eine automatisierte Prüfung des Codes helfe gegen das sogenannte Halluzinieren, also gegen ein überzeugend formuliertes Resultat einer KI, das nicht durch Trainingsdaten gerechtfertigt zu sein scheint und objektiv falsch sein kann. „Aktuell steht aber weiterhin immer der Mensch in der Verantwortung“, betont Huber.

Zwei Hauptaufgaben, die es bei der Einführung von KI-Tools in der Fertigung zu bewältigen gilt, fasst Tommy Falkowski, Strategic Manager beim Cluster und Netzwerk it’s OWL sowie dem Fraunhofer-Institut für Entwurfstechnik Mechatronik IEM, zusammen: „erstens die richtige Bewertung der Potenziale von KI für das eigene Unternehmen und zweitens die erfolgreiche Umsetzung von Lösungsansätzen“.

Die KI trainieren

Eine solide Datenbasis sei je nach Anwendungsfall unerlässlich, um KI effektiv zu trainieren. Unternehmen, die bereits in der Digitalisierung fortgeschritten sind, hätten hierbei einen Vorteil. Dies gelte jedoch nicht in allen Fällen, weshalb es wichtig sei, die potenziellen Einsatzbereiche gründlich zu untersuchen, erklärt Falkowski: „Die entscheidenden Fragen sind dabei, wo der größte Mehrwert erzielt werden kann, welche Datenbasis vorhanden ist und wie das Kosten-Nutzen-Verhältnis aussieht. Es gibt zahlreiche Anlaufstellen, die Unternehmen unterstützen, die Potenziale für die Anwendung von KI zu identifizieren und bei der Implementierung zu helfen – wie unser Kompetenznetzwerk it’s OWL. Seit vielen Jahren führen wir erfolgreich KI-Projekte wie das Projekt ‚Datenfabrik.NRW‘ mit Unternehmen durch.“

Günter Korder, Geschäftsführer von it’s OWL. sagt: „Künstliche Intelligenz bietet enorme Potenziale, um beispielsweise Maschinen und Anlagen effizienter und produktiver zu fertigen. Mit der Datenfabrik wollen wir die Produktion komplett neu denken und von der Fabrikplanung über die Fertigung bis zur Logistik Daten konsequent erfassen und verwerten.“

Wirtschaftliches Potenzial

Den Einfluss künstlicher Intelligenz (KI) auf die deutsche und europäische Wirtschaft hat Strand Partners im Auftrag von Amazon Web Services (AWS) untersucht. Dafür wurden im Rahmen einer repräsentativen Studie knapp 30.000 Unternehmen und Bürger befragt. Die Ergebnisse wurden im Report „Unlocking Europe’s AI Potential in the Digital Decade“ zusammengefasst. Laut AWS unterstreichen die Ergebnisse, „dass Deutschland an der Schwelle zu einer KI-Revolution steht“. Gleichzeitig würden sie die „Kluft zwischen den ehrgeizigen Zielen und realen Gegebenheiten“ zeigen. AWS hat einige der Kernergebnisse für Deutschland wie folgt zusammengefasst:

Im Jahr 2023 haben bereits 36 Prozent der Unternehmen KI eingesetzt, was einem Anstieg von 29 Prozent gegenüber dem Vorjahr entspricht. Sollte der Einsatz von KI und anderen digitalen Technologien mit gleichem Tempo voranschreiten, könnte dies bis 2030 zu einer zusätzlichen Wertschöpfung von 116 Milliarden Euro in Deutschland beitragen (im Vergleich zu den Studienergebnissen aus 2022). Durch die Einführung von digitalen Technologien wie KI und der Cloud wird ein positiver Gesamteffekt von 668 Milliarden Euro auf die hiesige Wirtschaft bis 2030 erwartet.

Power in der Cloud

Constantin Gonzalez, der als Principal Solutions Architect bei Amazon Web Services (AWS) in München arbeitet, sagt: „Die neue AWS-Studie zeigt, dass KI bis 2030 zu einem zusätzlichen Wirtschaftswachstum von 116 Milliarden Euro in Deutschland beitragen könnte und auch in der Fertigung einen immer größeren Stellenwert einnimmt. Die Cloud bietet heute den einfachsten Zugang zu KI und maschinellem Lernen (ML). Deutsche Industrieunternehmen nutzen die Cloud, um beispielsweise Sensor- oder Automatisierungsdaten aus der Fertigung besser zu verarbeiten und für gezieltes Wachstum einzusetzen. Durch KI und die intelligente Nutzung riesiger Datenmengen können unter anderem industrielle Abläufe stärker automatisiert, Lieferketten optimiert, die Produktentwicklung beschleunigt oder die Wartung von Maschinen verbessert werden. Neun von zehn deutschen Unternehmen berichten, dass sie durch den Einsatz von KI im vergangenen Jahr ihre Effizienz verbessern konnten. Deswegen setzen über 100.000 Kunden für ihre ML- und KI-Workloads auf AWS. Volkswagen nutzt zum Beispiel IoT-, ML- und Compute-Services auf AWS, um seine Anlagen und Systeme in mehr als 120 Fabriken zu verbinden, die Effizienz und Betriebszeit seiner Produktion zu steigern und die Fahrzeugqualität zu verbessern.“

AWS stellt für Kunden, die KI und ML nutzen wollen ein umfassendes Angebot bereit. „Unternehmen können auf die passende Cloud-Infrastruktur mit hoher Rechenleistung zugreifen, um KI-Anwendungen effizient auszuführen oder eigene ML-Modelle mit Amazon SageMaker zu trainieren. Mit Amazon Bedrock können sie auf eine breite Palette führender Basis-Modelle zugreifen und diese für eigene Zwecke individualisieren. Zudem haben sie Zugriff auf KI-Anwendungen wie Amazon Q, die als intelligente Assistenten typische Aufgaben von Programmierung bis zur Datenanalyse übernehmen. So kann jedes Unternehmen unabhängig von der technischen Expertise von KI profitieren“, erklärt Gonzales.

KI-Werkzeuge in der Fertigung nutzen

Zum derzeitigen Einsatz von KI in der Fertigung sieht auch Falkowski einen Anwendungsschwerpunkt in der Bildverarbeitung: „In der Fertigung wird KI hauptsächlich in der automatischen Qualitätssicherung eingesetzt. Dort können mithilfe von KI-gestützten Bildverarbeitungssystemen Fehler an Bauteilen erkannt und aussortiert sowie nachgearbeitet werden.“

Bisher seien die KI-Anwendungsfelder in der Fertigung oft auf spezifische Einsatzbereiche beschränkt gewesen. Mittlerweile würden auch komplexere Prozesse durch KI unterstützt, meint Falkowski: „So können beispielsweise Werkerassistenzsysteme bedarfsgerecht Informationen bereitstellen und bei der Montage oder Wartung unterstützen. In dem von it‘s OWL initiierten Kompetenzzentrum Arbeitswelt.Plus hat das Elektronik- und Verbindungstechnikunternehmen Weidmüller in Zusammenarbeit mit dem Fraunhofer IOSB-INA, der Universität Paderborn und Eviden, einem Unternehmen für digitale Dienstleistungen, ein eben solches KI-basiertes Assistenzsystem, in einem Projekt entwickelt. Dieses System zielt darauf ab, Mitarbeitenden an Handarbeitsplätzen bei der Fehlerbehebung zu unterstützen. Außerdem kann KI mittlerweile auch bei der Umsetzung von Automatisierungslösungen helfen, beispielsweise bei der Erstellung von SPS-Programmiercode. Mittelfristig wird eine Unterstützung durch KI in allen Tätigkeitsbereichen möglich sein.“

Robotik und Reinforcement Learning

Im Zusammenhang der kraftgeregelten Montage mit Robotern spiele das Reinforcement Learning, also das Lernen aus Versuch und Irrtum, eine große Rolle, meint Dr. Werner Kraus, Leiter der Abteilung Roboter- und Assistenzsysteme am Fraunhofer IPA. Roboter würden hierbei selbstständig Fügestrategien erlernen, wodurch das aufwändige Programmieren von Hand entfalle. Das Training erfolge in einer Physiksimulation, was die Einrichtung der realen Anwendung, so Kraus, erheblich beschleunigen und vereinfachen würde. Zum weiteren Nutzen sagt Kraus: „Das Reinforcement Learning unterstützt auch bei der Steuerung, Planung und Optimierung von Produktionsprozessen. Es können Auftrage optimal auf Fertigungsmaschinen verteilt, Materialbedarfe optimal ausgenutzt oder Energieverbräuche reduziert werden. Und mithilfe von KI, speziell GenAI, können mittlerweile auch Montageanleitungen und Tools automatisiert erstellt werden, die den Werker interaktiv – beispielsweise mithilfe von Augmented Reality – unterstützen.“

KI-Lösungen optimieren die Fertigung

Als Anbieter von Hard- und Software zur Datenerfassung und -verarbeitung entwickelt Zebra Technologies unter anderem industrielle Bildverarbeitungslösungen für die Fertigung.

Rudolf Schambeck, Sales and Channel Manager Machine Vision DACH, bei Zebra Technologies, sagt: „Die Hersteller wenden sich der KI zu, einschließlich der fortschrittlichen Deep Learning Machine Vision, die auf menschenähnlichen neuronalen Netzwerken basiert. Ingenieure, Programmierer und Datenwissenschaftler arbeiten mit neuen Deep-Learning-Tools für die moderne Produktion. Die ‚KI-Augen‘ des maschinellen Sehens mit Deep Learning sichern ein bisher unerreichtes Maß an Genauigkeit, Qualität und Konformitätsprüfung.“

Die industrielle Bildverarbeitung mit Deep Learning könne beispielsweise bei der visuellen Prüfung von frischen und verarbeiteten Lebensmitteln, Pharmazeutika, Lebensmittel- und Getränkeverpackungen, in der Automobilherstellung oder in der anspruchsvollen Halbleiterproduktion eingesetzt werden.

Sie unterstütze zudem die Umstellung auf die Herstellung von Elektrofahrzeugbatterien, insbesondere bei der Knoten- und Kathodenbeschichtung, der Position der Elektrodenzungen, der Stapelausrichtung, der Serien-/Codeinspektion und der Montageüberprüfung.

Weniger Nacharbeit und Ausschuss

Um die Fertigung weiter Richtung Effizienz zu trimmen, stellt Trumpf eine spezielle KI-Laser-Anwendung bereit. Elektroauto-Hersteller etwa sollen damit mehr Elektromotoren in kürzerer Zeit produzieren können. Zudem sollen weniger Nacharbeit und Ausschuss anfallen: ”Wir wollen künftig mit KI das Gesamtsystem Laser, Optik, Sensorik und Software auf ein neues Leistungsniveau heben. Wir treiben deshalb die Entwicklung weiterer KI-Lösungen voran, die Laserprozesse in der Industrie noch leistungsstärker und wirtschaftlicher machen sollen”, sagt Christian Schmitz, CEO Lasertechnik Trumpf.

In der Serienproduktion für die E-Mobilität hat sich das KI-Verfahren laut Trumpf bereits bewährt. Und es lasse sich bei verschiedenen Laserschweiß-Anwendungen einsetzen. Wie KI beim Laserschweißen unterstützen kann, wird mit der KI-Lösungen Easy Model AI von Trumpf klarer: Mithilfe von Easy Model AI kann ein Algorithmus erstellt werden. Ein KI-Filter für die Bildverarbeitung Vision Line Detect, die ebenfalls von Trumpf stammt, nutzt jenen Algorithmus. Es geht darum, dass die Schweißnaht immer an der richtigen Stelle sitzt. Dazu muss die Sensorik des Lasers die Schweißgeometrie präzise auf dem Bauteil positionieren – sonst droht Ausschuss.

Verschmutzungen oder Kratzer am Bauteil, schlechte Beleuchtungsverhältnisse im Arbeitsraum oder stark spiegelnde Materialien wie Kupfer erschweren die Positionierung. Die KI-Lösung unterstützt die Bildverarbeitung und verringert solche Störeinflüsse.

Der Anwender trainiert die KI vor ihrem Einsatz. Der Maschineneinrichter kennzeichnet dafür in entsprechendem Bildmaterial die relevanten Bauteilbereiche. Programmierkenntnisse sollen laut Trumpf nicht nötig sein. Der Umgang mit dem System sei so einfach und intuitiv wie mit Mal- und Zeichenprogrammen, die man von Smartphones oder Computern kennen würde. Das durch das Training entstandene KI-Modell wird dann im KI-Filter für die Bildverarbeitung eingesetzt.

Auswahl von KI-Werkzeugen

Die grundsätzliche Auswahl von KI-Werkzeugen und die Arbeit damit beschreibt Cederic Lenz als Trustworthy-AI Engineer am Fraunhofer IEM als „sehr individuell“.

Lenz sagt: „Es gibt fertige KI-Werkzeuge, die einsetzbar sind, aber eher als Add-ons für bestehende Programme – beispielsweise in der Konstruktion und bei der Programmierung. In der Produktion gehen wir derzeit individuell vor: Wir greifen auf Open-Source-Bausteine zurück, schneiden sie individuell auf das Unternehmen zu und erweitern sie. Das heißt, wir kombinieren die einzelnen KI-Bausteine und konfigurieren sie. Hier müssen wir immer individuell fragen und ermitteln: Woher kommen die Daten? Welche Daten sind für den Prozess und sein Ergebnis überhaupt relevant? Wie sind sie aufgebaut? Und wie müssen wir sie nochmal transformieren, um sie für einen KI-Baustein nutzbar zu machen?“

Vertrauenswürdige KI in der Produktion

Zur Vertrauenswürdigkeit von KI in der industriellen Produktion sagt Maximilian Bause, Gruppenleiter Trusted Machine Intelligence am Fraunhofer IEM: „Vertrauenswürdige KI setzt sich zum Ziel, KI-Systeme hervorzubringen, die robust, sicher, transparent und nachvollziehbar sind. Damit soll sichergestellt werden, dass die Systeme keine kurzlebigen Insellösungen sind, sondern langfristigen Mehrwert im Unternehmen schaffen. Unser Ansatz am Fraunhofer IEM ist es, den Einsatz der KI und damit auch ihren Einfluss auf sämtliche Produkte und Prozesse im Unternehmen schrittweise zu steigern und mit definierten Maßnahmen zu begleiten. Zu dieser strategischen Herangehensweise zählen die Absicherung der Datenbasis, die Einschätzung der Ausgabesicherheit, die Erklärbarkeit der Systementscheidung und die Anpassbarkeit des Systemverhaltens.“ Ein wichtiges Merkmal dieses Vorgehens sei es, nicht rein datenbasiert zu handeln. Stattdessen, so Bause, sollte mithilfe sogenannter hybrider Modellierungen vorhandenes Prozesswissen im Unternehmen genutzt werden. „Der Mensch bleibt dabei als zentrale Komponente erhalten: Er bringt sein Wissen ein, beurteilt die Erklärungen der KI, passt ihr Verhalten an und trägt letztendlich auch die Verantwortung für das Systemverhalten“, erklärt Bause.

Kommentar: Entwicklungen schnell nutzen

Wie und wo sich künstliche Intelligenz in der Fertigung nutzen lässt und welche Veränderungen dies mit sich bringt, sind spannende Fragen, die uns bewegen. Sie sind technisch-wissenschaftlich, sie sind politisch, ökonomisch, ethisch und vieles mehr. Aktuell gehören KI-Entwicklungen jedenfalls zu den wichtigsten Aspekten unternehmerischer Digitalisierungsaufgaben, denn KI-Tools optimieren die Fertigung weiter und weiter. Das Anwendungspotenzial gilt es zu identifizieren und schnell zu nutzen.

Unsere Webinar-Empfehlung

Webinar: Industrieanzeiger Konradin-Verlag Robert Kohlhammer GmbH

5G Industrie Session: Effizient mit 5G-Campusnetz: Wie Nokia seine eigene Produktion optimiert hat

Der Summit richtet sich an Entscheider aus den Bereichen Fertigung, Instandhaltung, Fabrikautomatisierung, Automatisierung, Intralogistik und Fabrikplanung, Netzplanung, Netzwerkinfrastruktur, Innovationsmanagement. Daneben sind Hersteller aus den Bereichen Maschinenbau, Sensorik,…

• Mehr lesen