Die Ansprüche an künstliche Intelligenz bezüglich Qualitätssteigerung und Prozessverbesserungen sind hoch. Aber wie lassen sie sich realisieren?

16:9

Innovationsmanagement

Qualitätsmanagement

Künstliche Intelligenz für die Qualitätssicherung

Industrie 4.0

Industrie 4.0 für die Qualitätssicherung

Prozessmanagementmethoden

Wirtschaft

Prozessmanagement

Jäkel, Claudia

Machine Learning

Datenanalyse

IT-Management

Change Management

Strategie und Organisation

Machine Learning / Künstliche Intelligenz für die spanende Fertigung

Industrie 4.0 für die spanende Fertigung

Rechnergestützte Qualitätsmanagementsysteme

Q-Management(system), Strategie

Machine Learning für die Qualitätssicherung

Ursachenanalyse mit KI

In den letzten Jahren hat das maschinelle Lernen als Teildisziplin der künstlichen Intelligenz in vielen Bereichen, wie etwa der Produktion oder Medizin, verstärkt an Bedeutung gewonnen. Immer wichtiger wird dabei das sogenannte Deep Learning.

Erklärbarkeit maschineller Lernverfahren

Blick in die Black Box

KI-basierte Systeme versprechen auch für kleine und mittlere Unternehmen (KMU) enorme Potenziale. Die Einsatzfelder reichen von Assistenzsystemen für Routineaufgaben über intelligente Chatbots im Kundenmanagement und KIunterstützte Simulation in der Produktentwicklung bis hin zur automatisierten Lagerhaltung.

Potenziale und konkrete Umsetzungskonzepte

Künstliche Intelligenz

qz-online.de

Digitalisierung

Künstliche Intelligenz (KI) im Mittelstand

Durch „lernfähige“ Maschinen und die Nutzung von Künstlicher Intelligenz (KI) sind produzierenden Unternehmen ganz neue Möglichkeiten gegeben. So treibt das Birkenfelder Unternehmen MCD Elektronik in einem Entwicklungsprojekt die KI-gestützte Messdaten-Analyse voran.

Bild 1. Künstliche Intelligenz: Schneller und exakter als ein menschlicher Awender © MCD Elektronik GmbH

Messtechnik

Intelligente Analysen  durch Cluster und Algorithmen

Künstliche Intelligenz (KI) bietet Chancen auf neue Geschäftsmodelle und effizientere Prozesse. Akzeptiert wird KI aber nur, wenn Anwendungen qualitativ hochwertig, sicher und zuverlässig sind.

Warum Künstliche Intelligenz standardisiert wird

Die MVTec Software GmbH, internationaler Software-Anbieter für die industrielle Bildverarbeitung, bringt am 17. November 2021 die neue Version 21.11 der Machine-Vision-Standardsoftware HALCON auf den Markt.

Version 21.11 der Machine-Vision-Software HALCON

Bildverarbeitungs-Software

Fertigungsautomation

Bildverarbeitung

Messdatenerfassung, Software

Software

Messe Vision

MVTec erweitert Deep-Learning-Spektrum

Das Fraunhofer IAIS hat in der veröffentlichten Studie Management System Support for Trustworthy Artificial Intelligence den Standard-Entwurf für KI-Managementsysteme der International Organization for Standardization (ISO) und die bisherigen Richtlinien miteinander verglichen.

20:7

KI-Managementsysteme fördern Vertrauen in KI

Im Forschungsprojekt GeMeKI entwickelt das Fraunhofer IPT gemeinsam mit elf Partnern KI-gestützte Assistenzsysteme für das Fügen, Trennen und Umformen.

Prozessoptimierung durch KI-gestützte Datenanalyse anhand eines Fräsverfahrens

Forschung + Entwicklung

Digitale Transformation

Innovationen und neue Technologie

Digitaltechnik

Elektronik

Wechselseitiges Feedback zwischen  Mensch und Maschine

Das einjährige Jubiläum der KI- und Bildverarbeitungs-Plattform visionpier hat die IDS Imaging Development Systems GmbH zum Anlass für ein erstes virtuelles Community-Treffen genommen.

KI- und Bildverarbeitungs-Plattform

Bildverarbeitung, Machine Vision

Online-Marktplatz visionpier

Prof. Marco Huber vom Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA erklärt die Gründe, warum Menschen und KI-Systeme Hand in Hand arbeiten können und sollten.

Univ.-Prof. Dr.-Ing. habil. Marco Huber, Leiter Zentrum Cyber Cognitive Intelligence CCI , Abteilungsleiter Bild- und Signalverarbeitung, Leiter KI-Fortschrittszentrum am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA in Stuttgart.

Bildverarbeitungssysteme

Messe Control

Künstliche Intelligenz (KI) als Werkzeug einsetzen

KI unterstützt zwar bei der Identifikation von Wirkzusammenhängen, sollte aber mit dem vorhandenen Domänenwissen kombiniert werden. Trumpf stellt sich dieser Herausforderung in einem aktuellen Projekt.

Die von Xplain Data entwickelte KI-Methodik dient als Werkzeug, um bei Ursachenanalysen nicht nur einzelne Datenobjekte, sondern automatisiert relationale Datenmodelle zu durchsuchen. So entsteht eine skalierbare Methodik zur Generierung von Systemwissen.

Co-Innovationsprojekt von Trumpf und Xplain Data

Qualität

Kunststoffverarbeitung: Verfahren

KI hilft bei der Ursachenanalyse

Mehrere Fraunhofer-Institute haben im Leitprojekt ML4P eine Lösung entwickelt, mit der die Industrieproduktion durch maschinelles Lernen deutlich effizienter wird.

Presshärteprozess bei der Blechbearbeitung am Fraunhofer IWU in Chemnitz.

Produktionssystem

Produktionsmanagement

Produktion

Energieeffizienz

Projekt ML4P optimiert Effizienz der Industrieproduktion

Kann man mithilfe von KI Lottozahlen vorhersagen, und wo wird Machine Learning bereits heute in der Qualitätssicherung angewendet? Die QZ sprach mit Prof. Reiner Kurzhals und Daniel Philippi

Mit Künstlicher Intelligenz (KI) und Machine Learning zur Predictive Quality

„Menschliche Intelligenz  ist unschlagbar!“

Mehrere Forschungspartner wollen die am 28.3.2022 eröffnete Forschungsfabrik zur schnellen Industrialisierung von Produktionsprozessen nutzen.

Feierliche Eröffnung des Entwicklungs- und Demonstrationszentrums am KIT Campus Ost (v.l.): Dr. Nicole Hoffmeister-Kraut, Professor Dr.-Ing. habil. Jürgen Beyerer, Winfried Kretschmann, Prof. Dr.-Ing. Jürgen Fleischer, Professor Dr.-Ing. Holger Hanselka, Theresia Bauer, Professor Frank Henning, Prof. Dr. Frank Mentrup und Prof. Dr. Raoul Klingner.

Wirtschaftspolitik in Deutschland

Weiterbildung, allgemeine

Dienstleistungen

Seminare, Schulungen, Kongresse

Hochschulen

Optoelektronische Bilderkennung, Bildverarbeitungssysteme

Forschungsinstitute (MPI, FHG)

Produktmanagement

Produktentwicklung (F+E)

Eröffnungsfeier der Karlsruher Forschungsfabrik

Künstliche Intelligenz (KI) wird den Arbeitsalltag vieler Beschäftigten verändern – in der Fabrik genauso wie im Büro. Die neue Arbeitsteilung zwischen Mensch und Technik erfordert neue Kompetenzen. Zentrale Herausforderung für eine erfolgreiche Einführung von KI-Systemen in Unternehmen ist deshalb die Weiterbildung der Beschäftigten.

Welche Kompetenzen in der Arbeitswelt wichtig werden

Karriere

Fit für Künstliche Intelligenz (KI)

Künstliche Intelligenz (KI) im Mittelstand: Praxisbeispiele

Erfolgreiche Praxisbeispiele, wie die KI-Einführung im Mittelstand gelingt, welche Potenziale KI für die unterschiedlichen Anwendungsbereiche bringt und wie sich Investitionen für neue Technologien refinanzieren lassen.

Der Einstieg in KI-Technologien kann Mittelständlern als enorme Herausforderung erscheinen – gerade, wenn diese noch am Anfang des Digitalisierungsprozesses stehen. Die hier vorgestellten erfolgreichen Praxisbeispiele sollen daher verdeutlichen, wie die KI-Einführung im Mittelstand gelingt, welche Potenziale KI für die unterschiedlichen Anwendungsbereiche bringt und wie sich Investitionen für neue Technologien refinanzieren lassen.

Praxisbeispiel 1: KI-basierte Anlagenwartung durch Akustiksignale

KI-basierte Anlagenwartung durch Akustiksignale

Ausgangssituation | INDIA-DREUSICKE Berlin wurde 1929 gegründet und stellte ursprünglich Gummikappen für Schreibmaschinen her, um die Finger zu schonen, sogenannte IndiaGummitasten. Der Name der verwendete Gummiart erinnert im Unternehmensnamen noch heute an die einstigen Innovationen von damals. Heute ist der Mittelständler (rund 100 Beschäftigte) spezialisiert auf die Verarbeitung von Kunststoff und die Bearbeitung von Stahl. Das Berliner Unternehmen stellt dabei unter anderem Gehäuse für die Telekommunikationsindustrie (z. B. WLAN-Router) und den Maschinenbau her.

Problemstellung | Die rund 70 Maschinen des Unternehmens müssen ständig gewartet werden: Dazu müssen die Spritzgussformen komplett zerlegt und Präzisionsteile geschmiert werden, da sich diese Schmierung im Laufe des Prozesses abnutzt. Diese Wartung ist für die Beschäftigten zeit- und ressourcenintensiv. Ohne die Wartung können Schäden an der Form oder den Produkten entstehen, die einen längeren Stillstand, einen Produktionsausfall und damit hohe Kosten verursachen. Nach Erfahrungswerten der Beschäftigten ist die Wartung alle drei bis fünf Tage notwendig, der genaue Zeitpunkt ist aber aufgrund verschiedener Anlagenkonstruktionen nicht exakt zu bestimmen.

KI-basierte Lösung | Mithilfe einer KI-basierten vorausschauenden Wartung sollte das mögliche Zeitfenster für die Wartung der Anlagen maximal ausgereizt und gleichzeitig sollten mögliche Probleme und Störungen der Anlagen frühzeitig identifiziert werden.

Umsetzung | Die Spritzgusswerkzeuge sind große Stahlelemente, in die in Hohlräume unter sehr hohem Druck (bis zu 1.000 kg/cm2 ) plastischer Kunststoff (erwärmter Thermoplast) gepresst wird. Diese Teile werden anschließend über sogenannte Auswerfer aus der Form gedrückt. Der Schmierfilm in den Spritzgusswerkzeugen, der sich über den laufenden Betrieb abnutzt, muss ständig erneuert werden. Gemeinsam mit einem Start-up hat der Mittelständler ein knappes Jahr Daten seiner Maschinen gesammelt, etwa akustische Signale, die den Normalzustand bzw. einen Wartungsbedarf anzeigen. Damit wurde anschließend ein KI-System trainiert. Das KI-System erkennt anhand akustischer Impulse, die für die Beschäftigten nicht hörbar sind, wann das optimale Zeitfenster für die Wartung der Anlagen erreicht ist. Probleme und Schäden an den Maschinen können so frühzeitig erkannt und verhindert werden. Das KI-System kann die Maschinen dann stillsetzen und Beschäftigte können die Wartung durchführen. Die erforderliche technische Ausrüstung (Mikrofone, Soft- und Hardware) konnte durch eine Förderung des an der KI-Implementierung beteiligten Start-ups finanziert werden.

Wertschöpfung | Mithilfe der KI-basierten vorausschauenden Wartung seiner Anlagen konnte der Mittelständler Wartungsprozesse effizienter strukturieren sowie Kosten und Arbeitszeiten für aufwendige Anlagenstillstände und Produktionsausfälle reduzieren.

Praxisbeispiel 2: KI-assistierte Identifizierung von Kfz-Ersatzteilen

KI-assistierte Identifizierung von Kfz-Ersatzteilen

Ausgangssituation | Die Nico Fahrzeugteile GmbH (ca. 20 Beschäftigte) ist in der Herstellung von Ersatzteilen für PKW-Anhänger tätig. Der Mittelständler ist spezialisiert auf die Identifizierung und Lieferung von Ersatzteilen (z. B. Teile der Radbremse, Achsen, Auflaufeinrichtungen, Beleuchtungseinrichtungen und Einzelteile).

Problemstellung | Das Unternehmen betreibt einen Onlineshop für den Verkauf von Bauteilen. Bislang schickten die Kundinnen und Kunden Bilder defekter Bauteile ein, um damit Ersatzteile anzufragen. Diese sind oft nicht durch Seriennummern oder andere Merkmale identifizierbar, weshalb das korrekte Ersatzteil auf Basis des Erfahrungswissens der Vertriebsmitarbeiter ausgewählt werden muss. Diese Aufgabe sollte für „einfache“ Teile automatisch durch ein KI-System übernommen werden, um Beschäftigte von einfachen Zuordnungsaufgaben zu entlasten und so freie Kapazitäten für kompliziertere Anwendungsfälle zu schaffen.

KI-basierte Lösung | Gemeinsam mit tfc.ai und dem Mittelstand 4.0-Kompetenzzentrum Chemnitz hat das Unternehmen dazu eine KI-Anwendung zur Zuordnung von Kundenbildern zum Artikelbestand im Onlineshop entwickelt. Ziel war, in Kundenaufträgen übermittelte Bilddaten zu erfassen und diese automatisch dem Sortiment für Ersatzteile zuzuordnen. Die Herausforderung bestand darin, ausreichend viele Bilder des gesamten Artikelbestandes anzufertigen, um das neuronale Netz zu trainieren.

Umsetzung | Dazu wurde eine prototypische Anlage zur automatisierten Datenerfassung entwickelt, bestehend aus Roboter, Kamera und Software zur Verarbeitung der anfallenden Daten. Diese sollte den Aufwand bei der Erstellung der Produktfotos reduzieren, die für das Training der KI benötigt werden. Zur Reduzierung des manuellen Arbeitsaufwandes wurden verschiedene Data Augmentation-Ansätze geprüft (z. B. Verschiebung, Rotation, Spiegelung durch Bildbearbeitung). Als Kamera wurde eine kostengünstige Webcam gewählt, um zu den späteren Kundenaufnahmen möglichst ähnliche Trainingsbilder zu erhalten. Nach einem Praxistext der Datenaufnahme erfolgte die Konzeption des neuronalen Netzwerks, das Training der KI mit den erzeugten Daten und die Bewertung der Zuordnungsperformance des trainierten Netzwerks.

Wertschöpfung | Aus dem Projekt entstand eine Anlage zur automatisierten Bilddatenerfassung, -weiterverarbeitung und -archivierung. Somit besteht nur ein sehr geringer Lernaufwand, um mit dem Prototypen zu arbeiten. Hard- und Software sind so konzipiert, dass für ähnliche Problemstellungen bei Bedarf ein größerer Roboter oder eine bessere Kamera eingesetzt werden können. Insgesamt reduzierte sich der Arbeitsaufwand zur Datenerfassung

erheblich im Vergleich zur vorher praktizierten manuellen Aufnahme durch einen Fotografen. Durch die angewandten Trainingsmethoden konnte durch die KI eine äußerst geringe Fehlerrate in ersten Klassifikationstests erreicht werden, somit besteht ebenfalls Potenzial zur signifikanten Aufwandsreduktion im Vertrieb des Unternehmens.

Praxisbeispiel 3: Effiziente Logistik dank Künstlicher Intelligenz

Effiziente Logistik dank Künstlicher Intelligenz

Ausgangssituation | Das mittelständische Unternehmen META-Regalbau GmbH & Co. KG (ca. 300 Mitarbeiter) ist seit 125 Jahren in der Metallverarbeitung tätig und entwickelt und produziert Regalsysteme. Von Fachboden- und Palettenregalen über Lagerbühnen bis hin zu mehrgeschossigen Regalanlagen – der international tätige Lagertechnikspezialist aus Arnsberg beliefert industrielle Lager, Werkstätten, Büros oder Privatkunden mit Regalen im Baukastensystem. Der innovative Mittelständler setzt Sensoren und KI-Analysen ein, um die hauseigene Logistik zu optimieren, die Effizienz zu steigern und somit langfristig wettbewerbsfähig zu bleiben.

Problemstellung | Bei der Zusammenstellung vieler Einzelkomponenten von bestellten Regalen müssen Beschäftigte an verschiedenen Stellen des Lagers Einzelteile zusammenstellen, verpacken und im Warenausgang bereitstellen. Diese Prozesse, die im Lager zur Kommissionierung von Regalen ablaufen, bieten erhebliche Einsparpotenziale. Dazu zählt unter anderem, die Prozesskosten zu senken, diese Ersparnisse an den Kunden weiterzugeben und somit die langfristige Wettbewerbsfähigkeit zu sichern. Durch ein intelligentes Layout, das das Unternehmen im Vorfeld eines Werkumzugs konzipierte, sollte außerdem die bestmögliche Anordnung der Artikel im neuen Lager gewährleistet werden.

KI-basierte Lösung | Gemeinsam mit einem Start-up aus der Region wurde der Kommissionierprozess im Unternehmen mithilfe von KI analysiert. Dazu wurden die verschiedenen Prozessschritte im Lager sowie die Laufwege der Beschäftigten mithilfe von Sensoren und einer anschließenden KI-basierten Analyse ausgewertet. Längere Wartezeiten (z. B. bei Werkzeugen) oder zeitsparende Lösungen für Abstimmungsbedarfe zwischen den Beschäftigten konnten so identifiziert und die Prozesse effizienter gestaltet werden. Im Zuge der Auswertung konnten zudem eine Layout-Optimierung sowie eine Anpassung der Anordnung der Produkte im Lager vorgenommen werden, wodurch Arbeitszeit eingespart werden kann.

Umsetzung | Durch Motion-Mining wurden im gesamten Lager Messungen vorgenommen. Dazu wurden kleine Bluetooth-Beacons an den Wänden angebracht. Auch die Beschäftigten trugen bei ihren Laufwegen im Lager kleine Sensoren, um Laufwege und längere Wartezeiten

an Regalen oder Maschinen zu erfassen und zu analysieren. Von Beginn an wurden in der Umsetzungsphase das Logistik-Management, der Betriebsrat und alle Beschäftigten über die Zielsetzung des KI-basierten Optimierungsprozesses sowie über die Funktionsweise der Technologie informiert.

Wertschöpfung | Durch die KI-basierte Analyse konnten ein intelligentes Layout mit der bestmöglichen Anordnung für ein neues Lager konzipiert und zudem die hauseigenen Logistikprozesse effizienter gestaltet werden. Beide Prozesse ergeben ca. 22.000 Euro an Einsparungen pro Jahr. Die Investition in die Kooperation mit dem Start-up hat sich für das Unternehmen damit nach 1 bis 1,5 Jahren amortisiert.

Praxisbeispiel 4: Data Summaries im Walzwerk für höhere Produktionseffizienz

Data Summaries im Walzwerk für höhere Produktionseffizienz

Ausgangssituation | Das eigentümergeführte Familienunternehmen Achenbach Buschhütten GmbH & Co. KG (ca. 450 Beschäftigte) mit über 500-jähriger Tradition bietet weltweit Nicht-Eisen-Metall-Walzwerkanlagen mit eigener Automatisierungstechnik sowie Folienschneidemaschinen an. Das Produktspektrum umfasst schlüsselfertige Gesamtanlagen, Anlagenverbunde, Einzelmaschinen und ausgewählte Technologiekomponenten.

Problemstellung | Um ungeplanten Maschinenstillstand zu vermeiden und die Produktionseffizienz zu steigern, sind die Überwachung des Maschinenverhaltens und die vorausschauende Wartung wichtig. Grundlage dafür sind eine effiziente Vernetzung der Maschinen und der Datenaustausch. Mit der cloudbasierten Plattform Achenbach OPTILINK® gehört das Unternehmen zu den Vorreitern der intelligenten Vernetzung von Industrieanlagen. Dadurch stehen dem Unternehmen große Datenmengen zur Verfügung – insbesondere von Steuerungsgeräten in den Walzwerkanlagen, mit deren Rohdaten Wartungsbedarf und -fälle ermittelt werden können. Die Daten müssen in Echtzeit verarbeitet und an Achenbach zurück kommuniziert werden. Eine Herausforderung besteht im großen Umfang der Daten. Die Analyse muss zudem in enger Zusammenarbeit mit erfahrenen Fachkräften erfolgen.

KI-basierte Lösung | In Kooperation mit dem Unternehmen entwickelte das Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr (ML2R) neue Methoden, um die Daten der Walzwerkanlagen in Echtzeit dem Datenstrom zu entnehmen und in Form von Datenzusammenfassungen (=Data Summaries) sinnvoll zu reduzieren. Die Zusammenfassungen sind kleine Ausschnitte aus den Gesamtdaten, die möglichst viele Informationen und Besonderheiten abbilden. Die Fachkräfte können diese leichter analysieren und weiterverarbeiten.

Umsetzung | An der TU Dortmund wurden bereits Techniken zur Datenzusammenfassung erstellt, die einen schnellen Überblick über große Messreihen ermöglichen. Gemeinsam mit Achenbach Buschhütten entwickelte das ML2R diese für den Einsatz auf Sensordaten aus Walzwerkanlagen weiter. Mit einem Browser wurde das Verfahren hierbei kontinuierlich auf eine Originalsimulation der Maschinen angewendet, um Wartungsfälle im Echtzeitbetrieb zu simulieren. Dabei wurden Datenzusammenfassungen extrahiert und abgebildet. Algorithmen, die wenig Speicherplatz benötigen, können die echtzeitliche Analyse vornehmen und Gütegarantien für die Ergebnisse bereitstellen. Die Güteergebnisse werden mit den subjektiven Eindrücken der geschulten Fachkräfte verglichen.

Wertschöpfung | Reduzierter Maschinenstillstand und Schadensprävention – relevante Informationen über Wartungsfälle werden durch Datenzusammenfassungen gespeichert und können auf Fehlerfälle in den Walzanlagen hin evaluiert werden. Die Visualisierung der Wartungsvorhersage ermöglicht es, Kundinnen und Kunden weltweit gezielter zu unterstützen und die Bereitstellung von Ersatzteilen oder Service-Personal langfristiger zu planen. So werden eine Verschlankung der betrieblichen Abläufe beim Hersteller und eine Effizienzsteigerung der Maschinen bei Kundinnen und Kunden erreicht.