Erfolgreiche Internationalisierung durch KI

Dr. Marco Natale Operations Research Consultant und Max Heppel, Business Development Manager im Geschäftsbereich Data & Analytics von Cosmo Consult berichten im Gespräch über den Aufbau von digitalem Produktions-Know-how im Kontext des innovativen Ein­satzes von künstlicher Intelligenz für die optimale Maschinensteuerung.

Model Predictive Control (MPC) – oder kurz Predictive Control – ist ein intelligentes, selbstlernendes Verfahren, das Industriebetrieben hilft, Qualitätsschwankungen zu reduzieren. Die Idee ist nicht neu, doch erst mit der Verfügbarkeit digitaler Technologien wie Cloud Computing sowie digitalisierter Maschinen und Anlagen steht der Trend nun vor dem Durchbruch. Dabei kann Predictive Control auch ein Ansatz für andere unternehmerische Herausforderungen sein.

Predictive Control steht für Künstliche Intelligenz in der Qualitätssicherung. Wie genau funktioniert die Technologie?

Marco Natale: Bei Predictive Control wird Künstliche Intelligenz (KI) dafür genutzt, die Fertigungsqualität in Echtzeit zu prognostizieren. Die Vorhersage ist Basis für eine Optimierung, die dem Maschinenführer konkrete Maßnahmen vorschlägt. Dies können etwa veränderte Maschinenparameter sein, mit denen sich Qualitätsverluste vermeiden lassen. In der Anlernphase eignet sich die KI also Expertenwissen an und nutzt es, um eine drohende Produktion außerhalb der Toleranzgrenzen frühzeitig zu erkennen und konkrete Handlungsempfehlungen zu geben.

In einem typischen Predictive Control-Szenario verfolgen Maschinenführer die Qualitätsentwicklung der Produktion und die der wichtigsten Maschinenparameter über ein Dashboard. Im Unterschied zur Maschinenüberwachung steht dabei nicht die Qualität der bereits produzierten Mengen im Fokus, sondern das zu erwartende Niveau der Mengen, die in den nächsten Minuten gefertigt werden. Die genaue Prognose dieser Werte erlaubt es, so früh gegenzusteuern, dass es gar nicht erst zu signifikanten Abweichungen kommt. Entscheidend ist, dass es dabei nicht nur um die Qualität, sondern auch um die Produktionskosten geht. Lässt sich dieses Ziel über verschiedene Wege erreichen, wird stets die kosteneffizienteste Lösung vorgeschlagen. Die Entscheidungshoheit bleibt allerdings beim Maschinenführer. Er kann den Anpassungsvorschlag der KI annehmen oder verwerfen. Eines ist dabei sicher: Ganz gleich, wie die Entscheidung ausfällt, die KI wird daraus lernen.

Wie profitieren Unternehmen und Mitarbeiter in der Produktion davon?

Marco Natale: Mit Predictive Control setzen sich Unternehmen intensiv mit den Einflussfaktoren der Produktionsqualität und deren Wirkung auseinander. Sie erfahren mehr über die eigene Produktion   und können die Zusammenhänge besser verstehen. Bedenkt man, dass Produktionsprozesse im Zuge der Digitalisierung immer komplexer werden, ist das ein wichtiger Punkt. Die Technologie hilft, Entscheidungen – die in der Fertigung intuitiv oder aus Erfahrung getroffen werden – auf eine rationale Basis zu stellen: einem digitalen Algorithmus. Wertvolles Wissen wird so allgemein zugänglich und beliebig duplizierbar.

Kommt eine weitere Produktionslinie hinzu, kann man mit Predictive Control bereits vorhandenes Wissen auf die neue Anlage transferieren und von Beginn an optimiert arbeiten. Die komprimierte, entscheidungsorientierte Darstellung auf grafischen Dashboards hilft Maschinenführern, Sachverhalte sofort zu durchblicken und schnell zu reagieren. Ein Mitarbeiter ist damit in der Lage, mehrere Maschinen parallel zu überwachen und anzupassen.

„Ziel ist es, das Produktions-Know-how eines Anlagenführers in Algorithmen zu überführen.“

Dr. Marco Natale

In welchen Bereichen erscheint Predictive Control besonders sinnvoll?

Max Heppel: Überall dort, wo Margen gering sind und Produktionskosten im hohen Maße über die Wettbewerbsfähigkeit entscheiden. Das gilt typischerweise in der Massenproduktion, wo viele Anlagen gleichen Typs parallel eingesetzt werden. Hier kann man mit Predictive Control interessante Multiplikatoreneffekte erzielen, da sich der Algorithmus mehrfach verwenden lässt. Ähnlich sind die Effekte bei mehrstufigen Produktionsprozessen, da in diesem Fall der Ausschuss auf jeder Produktionsstufe immer teurer wird. Das gilt besonders in Bereichen, bei denen sich die Fehlproduktion nicht wiederverwerten lässt, hohe Entsorgungskosten drohen oder sogar Strafzahlungen fällig werden. Wenn man Qualitätsabweichungen früh im Prozess erkennt oder diese – noch besser – gar nicht erst entstehen, sparen Unternehmen Zeit, Energie und weitere Ressourcen.

Hat Predictive Control auch eine strategische Dimension?

Max Heppel: Werden Produktions-Know-how und langjährige Erfahrungswerte digitalisiert, sinkt die Abhängigkeit von einzelnen Mitarbeitern. Geht etwa ein Kollege in den Ruhestand, arbeitet sein Nachfolger einfach auf dem erreichten Level weiter. Die Erfahrung, die sonst verloren wäre, lebt sprichwörtlich in den Algorithmen weiter. Speziell für internationale Konzerne ist das ein Riesenvorteil. Sie haben häufig damit zu kämpfen, dass im Ausland trotz nahezu identischer Rahmenbedingungen nicht auf gleichem Qualitätsniveau gefertigt werden kann. Predictive Control trägt dazu bei, das Produktions-Know-how über verschiedene Standorte hinweg weltweit auf einem konstant hohen Niveau zu halten. Wenn neue Mitarbeiter schneller eingearbeitet werden und Wissen überall im Unternehmen verfügbar ist, bedeutet das letztlich auch ein Stück Zukunftssicherheit. Zum Beispiel, wenn es darum geht, den sich kontinuierlich verstärkenden Fachkräftemangel zu bewältigen.

Angesichts der vielen Pluspunkte stellt sich die Frage: Warum kommt die Technologie erst jetzt?

Marco Natale: Weil es erst jetzt die nötigen Rahmenbedingungen gibt. Das Training der KI und die mathematische Optimierung der Produktionsprozesse erfordern viel Rechenleistung und einen hohen Speicherbedarf. Zudem gilt es, Sensoren, Maschinen und Systeme miteinander zu vernetzen, um die notwendigen Daten und Erfahrungswerte zu messen und zu analysieren. Die Grundlagen hierfür haben Industriebetriebe durch die Digitalisierung ihrer Produktion erst in den letzten Jahren geschaffen.

Max Heppel: Ein weiterer wichtiger Punkt ist die veränderte Einstellung der Menschen zu neuen Technologien. Begriffe wie Künstliche Intelligenz waren lange Zeit negativ besetzt und mit diffusen Ängsten verbunden. Die Befürchtung, dass Maschinen breitflächig Mitarbeiter ersetzen, bremste in der Vergangenheit so manches Projekt. Inzwischen erkennt man in den Unternehmen, dass der Einsatz Künstlicher Intelligenz zu Veränderungen, aber nicht zwingend zu Stellenabbau führt. Im Gegenteil, langsam wird klar, dass es ohne moderne, effizienzsteigernde Technologien kaum möglich ist, Produktionsstandorte dauerhaft in Deutschland zu halten. Das ist einer der Haupttreiber für die derzeit verstärkte Nachfrage.

Welche Rolle spielen dabei Cloud-Technologien?

Max Heppel: Die Cloud lässt sich frei skalieren und flexibel in unterschiedliche Szenarien einbinden. Mit keiner anderen Infrastruktur kann man Rechenleistung und Speicherplatz je nach Bedarf so schnell erhöhen oder reduzieren. Das ist optimal für rechenintensiven Verfahren wie Predictive Control. Zudem müssen Unternehmen keine eigene Infrastruktur aufbauen und können dadurch viel schneller starten. Dies kommt vor allem Unternehmen entgegen, die mit Predictive Control zunächst eine Produktionslinie ausstatten und die Methodik dann kontinuierlich auf alle Produktionsstandorte und Produktionslinien ausrollen.

In bestimmten Szenarien können auch hybride Strukturen sinnvoll sein. In diesem Fall werden Maschinen bei zeitkritischen Operationen lokal gesteuert. Leistungshungrige Prozesse, die jedoch weniger zeitkritisch sind – hierzu gehört etwa das Training der KI – wandern hingegen in die Cloud. Predictive Control und die Cloud sind also eng miteinander verknüpft.

Welches Umfeld müssen Unternehmen schaffen, um mit Predictive Control zu starten?

Marco Natale: Die wichtigste Voraussetzung sind lückenlose Daten. Wer mit modernen Maschinen arbeitet und in Sachen Digitalisierung einen Teil der Strecke bereits gegangen ist, hat gute Chancen, zeitnah von Predictive Control zu profitieren. Ist ein Unternehmen hingegen noch nicht so weit, gilt es, zunächst die erforderlichen Daten für die Optimierung zu sammeln. Berücksichtigt werden dabei interne Parameter – also Maschinendaten – und externe Faktoren wie etwa Raumtemperatur oder Umgebungsfeuchtigkeit.

Um diese Werte zu messen, sind oft zusätzliche Sensoren erforderlich. Im Vergleich zu Predictive Maintenance ist es sogar einfacher, aus historischen Daten zu lernen. Schließlich geht es nicht darum, das seltene Ereignis eines Ausfalls exakt zu prognostizieren, sondern die Produktionsqualität fortlaufend zu überwachen. Der Algorithmus lernt dabei ständig dazu und wird automatisch immer besser. Liegen erst einmal solide Erfahrungswerte vor, kann man diese auch für weitere Maschinen oder Standorte nutzen.

Wie gehen Sie bei Predictive Control-Projekten vor?

Max Heppel: Wir haben einen Stufenplan entwickelt, mit dem wir Produktionsanlagen schrittweise optimieren: Zunächst messen wir die Produktionsqualität sowie potenzielle interne – also maschinenabhängige – und externe Faktoren. Hierzu gehört etwa die Temperatur in der Produktionshalle. Anschließend analysieren wir diese Parameter und stellen ihren tatsächlichen Einfluss auf die Produktionsqualität fest.  Aus diesen Erkenntnissen entwickeln wir eine KI für die Echtzeitprognose der zu erwartenden Produktionsqualität. Auf Basis dieser Vorhersagen können wir dann den Maschinenführern eine kostenoptimierte Empfehlung zur Einstellung seiner Maschinenparameter geben. Das Schöne an dem Konzept ist, dass Unternehmen auf jeder einzelnen Stufe, die erfolgreich umgesetzt wurde, von einem spürbaren Mehrwert profitieren.

Herr Dr. Natale, Herr Heppel, vielen Dank für das Gespräch.

Das Gespräch führte Björn Lorenz

de.cosmoconsult.com

Aufmacherbild / Quelle / Lizenz
Photo by Vania Shows on Unsplash