Industrie 4.0 – künstliche Intelligenz und maschinelles Lernen ODER Wie aus Enthusiasmus über Ernüchterung tatsächlicher Gewinn entsteht

0

Künstliche Intelligenz (KI), maschinelles Lernen (ML) und Analytics erleben zurzeit einen wahren Boom. Geht es nach den Anbietern, gelangen Produktionsabteilungen mithilfe von Industrie 4.0 und Digitalisierung in ein neues, goldenes Zeitalter, in dem Maschinen „selbstlernend“ für Qualitätsverbesserungen und Kostenreduktion sorgen. Doch anfänglichem Enthusiasmus und ersten positiven Erkenntnissen folgt meist Ernüchterung, wenn die Technologien vom Labor in den Betrieb und somit in den Alltag überführt werden sollen. Und das, obwohl Data Scientists und Big-Data-Experten nur auf Use Cases warten, mit deren Hilfe sie die Investitionen in ihre Data Lakes und analytischen Plattformen begründen können. Woran liegt das?

Die Ursachen hierfür sind vielfältig. Nachfolgend vier Aspekte, die in der Praxis eine große Rolle spielen:

1) Unterschätzt werden nach wie vor die immensen Datenvolumen, die moderne Sensoren und Anlagen permanent liefern, und damit auch der Aufwand, diese Daten auswertbar zu gestalten.

  • Welche Sensorwerte sind wichtig, in welchem Kontext?
  • Welche Informationen gehören in den zentralen Data Lake?
  • Welche Entscheidungen kann die Analytik auf dem Gerät selbst treffen? (Edge Analytics)
  • Wie teuer ist ein Messverfahren?
  • Können zerstörende Mess- bzw. Prüfverfahren ersetzt werden?

Die Beantwortung dieser Fragen erfordert flexible Vorgehensweisen und eine enge Zusammenarbeit zwischen IT und Produktion. Nur so können auf Basis erster Erfahrungen tragfähige Kosten-/Nutzenabwägungen erarbeitet werden. Wie das funktionieren kann, zeigt das Beispiel von GE Transportation, die mithilfe von Edge Analytics einen effizienten Einsatz ihrer Lokomotiven erreichen.

2) Ein zweiter Aspekt ist, sich frühzeitig darüber Gedanken zu machen, wie die von Spezialisten (Data Scientists) erworbenen Erkenntnisse in der Produktion zum Einsatz kommen können. Trotz gegenteiliger Versprechungen brauchen analytische Modelle, die die Basis von künstlicher Intelligenz und maschinellem Lernen sind, Wartung und Pflege, damit sie auch auf Dauer gut funktionieren. Das ist ganz ähnlich wie bei den Maschinen, die sie überwachen und steuern sollen. Sie müssen sich laufend den veränderten Gegebenheiten anpassen. Bis zu einem gewissen Grad können sie das allein, aber irgendwann müssen sie erweitert oder durch ein neues Verfahren ersetzt werden. Wann der Zeitpunkt dafür gekommen ist, muss laufend überprüft werden.

Dabei handelt es sich in der Praxis nicht nur um ein großes KI- oder ML-Modell, sondern um eine Kombination vieler verschiedener Einzelschritte. Für jeden Standort, jedes Produkt, jeden Maschinentyp oder sogar jede einzelne Maschine kann es individuelle Vorhersagemodelle geben, denn jede Maschine, jedes Produkt, jedes Umfeld hat seine Besonderheiten. Da kommen schnell mehrere 1000 Modelle zusammen. Hierfür braucht es professionelle Lösungen und ein Team, das sich auf diese Herausforderungen spezialisiert.

3) Einer der häufigsten Gründe für eine wirkliche Qualitätssteigerung ist jedoch, die Ergebnisse von KI & Co auch für die Ingenieure und Operatoren verwertbar zu machen. Worauf kommt es hierbei an?

Das Ergebnis analytischer Verfahren sind sogenannte Scorewerte. Sie geben eine Wahrscheinlichkeit für ein Problem oder eine Verschlechterung wieder. Doch was tun, wenn Sensoren eine Verschlechterung melden? Was ist erforderlich, wer kann die Entscheidung darüber treffen?

Moderne Anlagen werden oft von wenigen Operatoren bedient. Ihr Ausbildungsstand ist unterschiedlich. Es gibt Experten, die ihre Maschinen wie ihre Westentasche kennen, und Neulinge. Gerade am Wochenende und in Nachtschichten treten erfahrungsgemäß verstärkt Probleme auf, die auf falsche Bedienung oder unzureichende Handlungsanweisungen zurückzuführen sind. Aus Unkenntnis können so teils erhebliche Ausfälle und unnötige Kosten verursacht werden.

Operatoren brauchen daher ein gutes Monitoring-System, das nötige Korrekturen wenn möglich selbst vornimmt, alternativ erforderliche Maßnahmen vorschlägt und bei unklarem Fehlerbild oder verschiedenen Handlungsoptionen einfach aufbereitete Entscheidungshilfe bietet.

Reicht das nicht oder treten neue Probleme auf, werden Ingenieure benötigt. Sie brauchen Daten und einfach bedienbare visuelle Werkzeuge, um selbst erste Analysen vornehmen zu können und unnötige Kosten oder Lieferengpässe zu vermeiden. Nur selten steht ausreichend Zeit zur Verfügung, um Data Scientists an Bord zu nehmen und einen erweiterten KI- oder ML-Algorithmus zu entwickeln. Ingenieure müssen selbst Hand anlegen können, um die Auswirkungen qualitativer Probleme einzugrenzen und die Ursachen erkennen und abstellen zu können. Dies geschieht mithilfe geführter explorativer Analyse. Mit den so gewonnenen Erkenntnissen können Modelle und Monitoring angepasst und wieder auf den neuesten Stand gebracht werden.

Ein gutes Monitoring-System dokumentiert darüber hinaus alle Alarme und die darauf erfolgten Aktionen. Es bietet dadurch interessante Erkenntnisse: Wie häufig ist der Operator einem Vorschlag gefolgt? Ist er ihm nicht gefolgt, in welchem Fall? War das gut oder eher nicht so gut? Über solche Erkenntnisse lassen sich wirkliche Effizienzgewinne erzielen, denn nur wenn Mensch und Maschine gut zusammenarbeiten, lernen beide voneinander. Darüber hinaus bietet ein gutes Monitoring-System eine wertvolle Unterstützung bei den von Kunden geforderten Auditprozessen, wie sie Stand heute z. B. in der Halbleiterindustrie üblich sind.

Ein Grund mehr, sich als Produktionsverantwortlicher mit Industrie 4.0 und Digitalisierung übergreifend auseinanderzusetzen. Sich auf Spezialisten und zentrale Infrastrukturen zu verlassen, führt schnell zu Engpässen. Was in einem Produktionsprozess wichtig ist, können vor allem die Ingenieure mit ihrer Erfahrung beantworten. Digitale Technik muss daher sie unterstützen, um tatsächlich zu mehr Effizienz und Effektivität und somit zu besseren Produkten, mehr Gewinn und zufriedeneren Kunden zu kommen.

4) Ein vierter wichtiger Aspekt: Auch für den Vertrieb spielen die neuen Technologien eine wichtige Rolle. Sie bieten Herstellern eine Fülle neuer Chancen für Produkterweiterungen und besseren Service. Dadurch lassen sich Alleinstellungsmerkmale gegenüber dem Wettbewerb erarbeiten. Wer hier die Nase vorn hat, dem eröffnen sich Wachstumschancen.

Digitalisierung erfordert also echtes Teamwork, den Mut, neue Dinge zu probieren, und professionelle Prozesse, um die gewonnen Erkenntnisse in der Produktion zu nutzen. Dann steht einem goldenen Zeitalter nichts mehr im Wege.

Wir bei SAS arbeiten seit 40 Jahren mit unseren Kunden an genau solchen Lösungen. Wir freuen uns, gemeinsam Ihre Erfahrungen und Anforderungen zu diskutieren.

Share

About Author

Karen Prillwitz

Ich unterstützte Produktions- und Retail-Kunden auf ihrem Weg in Richtung Digitalisierung, IoT, Industrie 4.0 und Big Data Analytics.
Davor habe ich über viele Jahre als Technical Account Manager Versicherungsunternehmen bei der Umsetzung Ihrer Business Analytics Themen begleitet. Mein Versicherungs-Knowhow habe ich im Generali Konzern erworben. Dort habe ich als Projektleiterin fachliche Einführungsprojekte, wie zum Beispiel die Einführung der E-Akte, Benchmarking Projekte und die Geschäftsprozessoptimierung unterstützt. Begonnen habe ich meine berufliche Laufbahn als Organisationsprogrammiererin (IBM Großrechner: Assembler, PL1 und Cobol) bei eine großen deutschen Bausparkasse.

Leave A Reply

Back to Top