nach oben
Meine Merkliste
Ihre Merklisteneinträge speichern
Wenn Sie weitere Inhalte zu Ihrer Merkliste hinzufügen möchten, melden Sie sich bitte an. Wenn Sie noch kein Benutzerkonto haben, registrieren Sie sich bitte im Hanser Kundencenter.

» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.
Ihre Merklisten
Wenn Sie Ihre Merklisten bei Ihrem nächsten Besuch wieder verwenden möchten, melden Sie sich bitte an oder registrieren Sie sich im Hanser Kundencenter.
» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.

« Zurück

Ihre Vorteile im Überblick

  • Ein Login für alle Hanser Fachportale
  • Individuelle Startseite und damit schneller Zugriff auf bevorzugte Inhalte
  • Exklusiver Zugriff auf ausgewählte Inhalte
  • Persönliche Merklisten über alle Hanser Fachportale
  • Zentrale Verwaltung Ihrer persönlichen Daten und Newsletter-Abonnements

Jetzt registrieren
Merken Gemerkt
Digitalisierung - Künstliche Intelligenz

Künstliche Intelligenz in der Produktionstechnik

Nicht nur in der Welt der intelligenten Sprachassistenten oder des autonomen Fahrens spielt künstliche Intelligenz eine immer größere Rolle. Auch im Kontext der Produktion und vor allem des Qualitätsmanagements eröffnet Künstliche Intelligenz neue Wege, die Produktivität und Qualität innerhalb eines Unternehmens zu steigern.

Doch was genau ist künstliche Intelligenz und wie unterscheidet sich diese begrifflich beispielsweise von Machine Learning oder Deep Learning? Im alltäglichen Gebrauch werden diese Begriffe oft synonym verwendet. Untersucht man die Begriffe jedoch genauer, stellt sich heraus, dass deren Bedeutungen zwar überlappen, jedoch keineswegs gleich sind. Vielmehr handelt es sich bei der künstlichen Intelligenz um einen Überbegriff, in dem Machine Learning als Untermenge enthalten ist, welches wiederum künstliche neuronale Netzwerke (KNN) beziehungsweise das Deep Learning enthält. [1,2]

Abbildung 1: Einordnung von Künstlicher Intelligenz, Machine Learning, KNN und Deep Learning (Quelle: Iconpro)

Unter dem Begriff künstliche Intelligenz (KI) werden alle Methoden zusammengefasst, die intelligentes menschliches Verhalten in einem Rechner nachbilden [3]. KI umfasst demnach auch Algorithmen, die auf vorher explizit definierte Regeln, beispielsweise in Form von if-then-Klauseln, zurückgreifen. Machine Learning (maschinelles Lernen) ist ein Teilbereich der KI. Hier werden im Gegensatz zu klassischen Algorithmen die Regeln beziehungsweise das Verhalten des Programms nicht mehr explizit definiert, sondern aus dessen Daten und Optimierungszielen abgeleitet. Ein Beispiel für Machine Learning sind künstliche neuronale Netze, die Datenpunkte einer bestimmten Gruppe zuweisen. [4]

Vor Allem ein Teilbereich der KNN, das sogenannte Deep Learning, hat in den letzten zehn Jahren zunehmend an Bedeutung gewonnen. Beim Deep Learning spielen künstliche neuronale Netze, welche aus mehreren miteinander verknüpften Schichten bestehen, eine wichtige Rolle. Dabei ist die grundlegende Funktionsweise dieser Netze dem menschlichen Gehirn nachempfunden. Zwar ist die Idee von künstlichen neuronalen Netzen keine neue, aufgrund der begrenzten Rechenleistung in früheren Jahrzehnten war der Einsatz von KNN jedoch sehr begrenzt. Dies hat sich in den letzten Jahren grundsätzlich gewandelt. Mittlerweile können komplexe Prozesse durch tiefe künstliche neuronale Netze abgebildet werden und erlauben somit beispielsweise eine intelligente Bild- und Spracherkennung. [5]

Der Sprung von der Theorie zur Anwendung – Voraussetzungen für eine erfolgsversprechende Anwendung von KI in der Produktion

Um Methoden der künstlichen Intelligenz in der Produktion anwenden zu können, müssen zwei Grundvoraussetzungen erfüllt sein. Erstens muss ein grundlegendes Verständnis für den zu optimierenden Prozess mit dessen relevanten Ausgangsvariablen vorliegen. Wichtige Einflussfaktoren auf die Ausgangsvariable müssen ebenfalls identifiziert werden, um die entsprechenden zu sammelnden Daten zu identifizieren und Zusammenhänge ableiten zu können.

Zweitens müssen für die Einflussfaktoren und Ausgangsvariablen Daten verfügbar sein. Dies umfasst zum einen historische Daten für das Training der Algorithmen, zum anderen auch die kontinuierliche Erfassung relevanter Daten während des Betriebs. Wichtig ist dabei, dass die Datenqualität ausreichend ist und eine bestimmte Mindestmenge an historischen Daten verfügbar ist. Zusätzlich sollten die Daten strukturiert sein, das heißt sie sollten in einem vorgegebenen und eindeutigen Format vorliegen. Zwar können teilweise auch unstrukturierte Daten verwendet werden, die Aufarbeitung dieser Daten stellt jedoch oft einen bedeutenden Mehraufwand dar.

Anwendungsszenarien

Die potentiellen Anwendungsszenarien von künstlicher Intelligenz in der Produktionstechnik sind vielfältig. Zur besseren Veranschaulichung dieses Potentials wird im Folgenden jeweils ein Beispiel aus den Bereichen Predictive Maintenance, kognitive Qualitätskontrolle und KI-basierte Prozessanalyse vorgestellt.

Predictive Maintenance - Minimierung der Kalibrierkosten von Koordinatenmessgeräten im Messraum

Koordinatenmessgeräte (KMGs) sind ein wichtiger Bestandteil der Qualitätssicherung vieler produzierender Unternehmen. Eine Herausforderung von Messystemen im Allgemeinen ist jedoch deren über die Zeit zunehmende Messunsicherheit. Um die Einhaltung der an die Messunsicherheit gestellten Anforderungen sicherzustellen, werden KMGs üblicherweise in einem jährlichen Zyklus neu kalibriert. Die Wahl des Intervalls hängt dabei nicht von den individuellen Gegebenheiten der KMGs ab, sondern wird meist statisch und maschinenunabhängig festgelegt. Dieses Vorgehen weist daher einen erheblichen Schwachpunkt auf. Werden die Maschinen zu früh kalibriert, ergeben sich unnötig hohe Kosten. Findet eine Kalibrierung zu spät statt, ist ein Teil der Messungen des KMGs nicht valide, was zu noch größeren Mehrkosten führen kann. Das Ziel ist es daher, ein Koordinatenmessgerät dann zu kalibrieren, wenn dessen Messunsicherheit kurz davor ist aus den Spezifikationsgrenzen auszubrechen.

Um diesen Zeitpunkt zu identifizieren, können KMG-Daten gesammelt werden und mittels Methoden der künstlichen Intelligenz kausale Zusammenhänge zwischen diesen Daten und der Messunsicherheit des KMGs aufgedeckt werden. Ist bekannt wie die Daten mit der Messunsicherheit des Koordinatenmessgeräts zusammenhängen, lassen sich Vorhersagen für dessen zukünftige Messunsicherheit anstellen. Dies erlaubt wiederum die Planung von Kalibrierungen, die nicht wie zuvor statisch einem bestimmten Zyklus folgen, sondern dynamisch und kostenoptimal an die jeweilige Maschine angepasst sind.

Kognitive Qualitätskontrolle - Prüfung von Bauteilen

Bauteile manuell zu prüfen ist oft eine anstrengende und fehlerbehaftete Tätigkeit, da diese stark von der Konzentration und Erfahrung der Mitarbeiter abhängt. Zwar existieren schon länger Kameras, mit Hilfe derer automatisiert hochauflösende Fotos von Bauteilen gemacht werden können, die automatische Auswertung dieser Bilder ist jedoch mithilfe klassischer Methoden nicht immer möglich. Dies ist vor Allem der Fall, wenn die abgebildeten Bauteile Varianzen wie Drehungen, Skalierungen und Perspektiven im Erscheinungsbild aufweisen, welche nicht von Varianzen der fotografierten Bauteile unterschieden werden können. Hier bietet es sich an auf Deep Learning basierte Algorithmen zurückzugreifen. Diese können wie auch Menschen Varianzen des Erscheinungsbilds von Varianzen des Bauteils unterscheiden und eine richtige Auswertung bezüglich der Bauteilqualität durchführen.

KI-basierte Prozessanalyse - Prozessfähigkeiten

Auch bei der statistischen Prozesskontrolle (SPC) bietet sich der Einsatz von künstlicher Intelligenz an. Um in einer Serienproduktion aus Messwerten, die zu bestimmten Bauteilcharakteristika wie beispielsweise dem Durchmesser erfasst werden, die Prozessfähigkeit zu bestimmen, muss die den Messwerten zugrundeliegende Verteilungsart bekannt sein. Um diese zu bestimmen muss bei derzeit im Einsatz befindlicher Software dazu oft vom Nutzer eine geeignete Strategie zur Ausführung verschiedener Hypothesentests ausgewählt oder konfiguriert werden. Dabei wird vorausgesetzt, dass der Benutzer mit den Grundlagen der Statistik vertraut ist und ein Verständnis für den zugrundeliegenden Prozess besitzt.

Übergibt man die Aufgabe der Identifizierung der zugrundeliegenden Verteilung jedoch einem KNN, ergeben sich dadurch mehrere Vorteile. Zum einen wird die Prozessüberwachung leichter bedienbar, da von den Benutzern nicht mehr gefordert wird, dass diese über Grundlagen in der Statistik verfügen. Zum anderen wird durch die effizientere Berechnung die insgesamt zur Bestimmung der Prozessfähigkeit benötigte Zeit verringert.

Zusammenfassung

Künstliche Intelligenz ist eine Technologie mit viel Potential für die Produktion und insbesondere das Qualitätsmanagement von Unternehmen. Mittlerweile hat sie klar den Schritt aus der reinen Forschung in die praktische Anwendung geschafft und kann in vielen verschiedenen Szenarien gewinnbringend eingesetzt werden, worunter drei mögliche in diesem Beitrag vorgestellt wurden. Voraussetzung für eine erfolgsversprechende Anwendung von KI ist jedoch immer eine gewisse Datenqualität und -menge sowie ein grundlegendes Verständnis für den Prozess, der mit Hilfe der neuen Technologie optimiert werden soll.

Autoren
Raphael Maas ist als Assistent der Geschäftsleitung bei der Iconpro GmbH tätig.
Dr.-Ing. Markus Ohlenforst ist Geschäftsführer der Iconpro GmbH.
Dr.-Ing. Edgar Dietrich ist Geschäftsführer der Iconpro GmbH.

[1] JOSHI, A.: Machine Learning and Artificial Intelligence. Springer, Cham 2020.

[2] ALPAYDIN, E: Machine Learning: The New AI (MIT Press Essential Knowledge Series). MIT Press, Cambridge 2016.

[3] HERING, E.; GUTEKUNST, J.; DYLLONG, U.: Handbuch der praktischen und technischen Informatik. Zweite, neubearbeitete und erweiterte Auflage. Springer, Berlin, Heidelberg 2000.

[4] JOSHI A.: Machine Learning and Artificial Intelligence. Springer, Cham 2020.

[5] GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A.: Deep Learning (Adaptive Computation and Machine Learning). MIT Press, Cambridge 2016.

DIN EN ISO 9001:2015

Zum ISO 9001:2015 Special

Prozesswelt

Serie zum Thema Prozesse, veröffentlicht von QM-Experten deutscher Unternehmen gemeinsam mit der N5 GmbH und der Fachzeitschrift QZ

Zur Prozesswelt