Es klingt nach Science-Fiction: Maschinen werten selbstständig große Datenströme aus und lernen aus Mustern. Wir beleuchten, wie Machine Learning in Zukunft die Fertigung verändern wird und welche Einsatzmöglichkeiten sich bieten.

Big Data macht‘s möglich

Ihr Maschinenpark produziert jeden Tag Petabytes an Daten. Dank künstlicher Intelligenz und immer besserer Sensorik wird es in Zukunft möglich sein, diese „Big Data“ in „Smart Data“ zu verwandeln. Dies geschieht mithilfe intelligenter Algorithmen, die große Datenmengen auf Muster durchsuchen – eine Arbeit, bei der sich Menschen schwer tun, die Maschinen aber in Sekunden erledigen. Diese Muster werden dazu verwendet, Vorhersagen über die Zukunft zu treffen, z. B. wann an Maschine X wahrscheinlich ein Defekt auftreten wird.

Die 4 interessantesten Anwendungsszenarien

Optimierung von Herstellungsprozessen

Maschinelles Lernen in der Fertigung kann auf zwei Weisen die Herstellung optimieren: Es kann dazu eingesetzt werden, die Qualität von Produkten zu verbessern; und es kann den Produktionsprozess selbst optimieren.

Ein Beispiel für den ersten Fall: die Minimierung von Fehllackierungen in der Automotiv-Industrie. Digitalisiert man den Lackierprozess, können Algorithmen Daten wie Lackdichte oder Trockenzeiten auswerten und so z. B. Spaltmaße optimieren.

Ein Beispiel für den zweiten Fall: In der Praxis werden Vorgabewerte für die Fertigungsplanung oft nicht korrekt eingestellt. Durch zu große Zeitpuffer werden zwar Staus verhindert, aber auch hohe Inaktivitätszeiten erzeugt. Machine Learning kann solche Probleme selbstständig erkennen und eine optimale Ressourcenauslastung der Smart Factory herbeiführen.

Präventive Wartung

Aufgrund immer besserer Sensoren lassen sich Voraussagen über die Lebensdauer von Maschinen treffen. Dafür durchsuchen Algorithmen die Sensordaten nach Anomalien, die auf zukünftig auftretende Fehlfunktionen hinweisen. So können Maschinen repariert werden, noch bevor Ausfallzeiten entstehen!

Besonders interessant ist präventive Wartung im Rahmen von Geschäftsmodellen, bei denen Produktionsleistung als Service geboten wird. Weil Anlagen hier nicht gekauft, sondern nach der tatsächlichen Nutzungsdauer bezahlt werden, haben die Anbieter ein großes Interesse daran, eine ständige Einsatzbereitschaft sicherzustellen. Predictive Maintenance via Machine Learning stellt die Antwort auf dieses Problem dar.

Qualitätskontrolle „On the Go“

Erst wird produziert, dann wird kontrolliert: Dieser Grundsatz hat dank Machine Learning in der Fertigung bald ausgedient. In Zukunft erfolgt die Qualitätskontrolle von Produkten parallel zum Fertigungsprozess. Das geht soweit, dass Machine-Learning-Algorithmen nicht nur vordefinierte Fehler aufspüren, sondern auch bisher unbekannte Fehler ausmachen. Eine wichtige technische Voraussetzung für diese fortlaufende Kontrolle stellt der sog. digitale Zwilling dar, der mittels hochempfindlicher Sensorik ein virtuelles Abbild der Anlage erstellt; so können in Echtzeit Korrekturen vorgenommen werden.

Den Stromverbrauch vorhersagen

Der Energiemarkt ist seit einigen Jahren großen Veränderungen unterworfen: Der Klimawandel macht es nötig, dass herkömmliche Energiequellen zunehmend durch neue Energiequellen wie Windkraft ersetzt werden. Allerdings hat das Schwankungen im Stromnetz zur Folge; bei Über- oder Unterproduktion drohen den Anbietern empfindliche Bußgelder.

Machine Learning kann hier in die Bresche springen, indem es historische Verbrauchsmuster analysiert und so Bedarfs- und Preisschwankungen vorhersagt. Das Ergebnis: Weil Sie die Stromlast genauer kennen, können Sie bessere Kundenpreise verhandeln und Ihre Prozesse kosteneffizienter gestalten.

Machine Learning - planen Sie vor!

Schon diese wenigen Anwendungsbeispiele zeigen: Auf Big Data basierendes Machine Learning bietet gewaltige Potenziale für den Maschinenbau. Auch wenn viele Unternehmen die neue Technologie aktuell noch nicht im Einsatz haben: Machen Sie sich jetzt schon über Nutzenpotentiale und Anwendungen für Ihr Unternehmen Gedanken!

Denn was häufig übersehen wird: Die Implementierung braucht Zeit. Da es sich um lernende Algorithmen handelt, ist ein gewisser Vorlauf nötig, bis genug Daten gesammelt und ausgewertet wurden. Aber auch die vorausschauende Anpassung von unternehmensinternen Prozessen ist nötig: Die Unterstützung des Managements muss eingeholt und in Fachkräfte und Technologien investiert werden.

Übrigens: Auch im Bereich CAM-Systeme spielen künstliche Intelligenz und Machine Learning eine immer größere Rolle. So verfügt TopSolid’Cam über entsprechende Funktionalitäten, wie z. B. die automatisierte Erstellung von Formen oder die Erstellung von Werkzeugwegen auf Basis von CAD-Modellen.