Intelligente Automatisierung – Die Produktion wird smart, die Automatisierung intelligent, Maschinen kommunizieren miteinander und überhaupt ist in der Industrie 4.0 alles ganz anders als vorher.
Doch im Wesentlichen hat sich nur der Einsatz der Technologien geändert, mit denen sich die Effizienz von Prozessen entlang der Wertschöpfungsketten steigern lässt.
Was bedeutet intelligente Automatisierung?
Die intelligente Automatisierung setzt entlang von Produktionslinien intelligente Technologien ein, um Prozesse, die einem hohen Automatisierungsgrad unterliegen, effizienter zu gestalten. Es geht um die Reduzierung von Abweichungen zum Optimum mithilfe von digitalen Technologien und Methoden wie Machine Learning, Deep Learning und Künstlicher Intelligenz.
Desto besser die Fertigung von Bauteilen oder Werkstücken, umso geringer ist der Ausschuss. Beides zusammen sorgt für einen insgesamt höheren Ertrag in der Produktion. Das Prinzip der Reduzierung von qualitativ schlechter oder mangelhaften Produkten ist nicht neu.
Heute können jedoch digitale Technologien aktiv in den Fertigungsprozess eingreifen und die Effizienz der bisher eingesetzten Automatisierung erhöhen. Das ist wichtig, denn der Automatisierungsgrad in der Industrie ist ausgeschöpft. Noch mehr Maschinen und der Mensch ist nahezu überflüssig.
Hochautomatisierte Fertigung stößt an Grenzen
Fortschrittliche Maschinen und viele Roboter, so sehen viele produzierende Betriebe heute von innen aus. Der Mensch ist in weiten Teilen aus der unmittelbaren Produktion verbannt und arbeitet in manuellen Fertigungsbereichen, fernab von gefährlichen Tätigkeiten oder körperlich anstrengender Arbeit.
Prozesse zu optimieren, bedeutet aber nicht nur, so viele Schritte wie möglich voll automatisiert ablaufen zu lassen. Eine hohe Effizienz zeigt sich auch durch unterbrechungsfreie Prozesse, mit so wenig Energie und Emissionen wie möglich. Die hochautomatisierte Fertigung hat sich unter den Einflüssen der digitalen Transformation gewandelt. Die innerhalb eines Produktionsprozesses auftretenden Schwankungen lassen sich mithilfe von lernender Software und Algorithmen erkennen.
Was früher als Ausschuss oder 1B Ware klassifiziert wurde, kann heute rechtzeitig verhindert werden. Denn die Abweichungen verursachen Kosten oder einen geringeren Ertrag und haben damit direkten Einfluss auf den Wertschöpfungsprozess im Unternehmen. Und hier kommt es auf jedes kleine Prozent an. Ein optimierter Ertrag bildet die Basis für solide Geschäftsmodelle und den langfristigen Erfolg von Unternehmen.
In Zeiten von hoher Wettbewerbsdichte und anspruchsvollen Kunden müssen Unternehmen jede Qualitätsabweichung so gut es geht verhindern. Das ist gar nicht so leicht, denn praktisch alle industriellen Prozesse unterliegen Schwankungen. Sei es durch das verwendete Material, die Umgebungsvariablen wie die Temperatur, dem Personal oder anderer, oft ungeplanter Faktoren.
Jede Schwankung kann die Qualität der Fertigung reduzieren. Mit intelligenten Anpassungen der Produktion an diese Schwankungen kann aber jedes Unternehmen die Qualität der Fertigung erhöhen und damit seine Effizienz steigern.
Produktionsprozesse an Veränderungen anpassen
Mit einem intelligenten Ansatz können Informationen automatisch ins Steuerungssystem gelangen und dort beispielsweise Vorhersagemodelle berechnen oder umsetzen. Möglich macht dies ein KI-System, bei dem Daten die Basis für Maschinelles Lernen bilden. Die Software entwickelt sich also dynamisch mit jedem Produktionskreislauf weiter und führt selbständig Optimierungen durch.
Eine intelligente Produktion basiert auf dem Einsatz von Künstlicher Intelligenz und dem Internet of Things. Experten sprechen daher auch schon vom Artificial Intelligence of Things, dem AIoT. Während sich bisher die Anwendungen auf den Bereich der vorausschauenden Wartung konzentriert haben, eignet sich die intelligente Automatisierung als Innovationstreiber für Unternehmen.
Das gelingt allerdings nur, wenn der gesamte Produktionsprozess durch eine intelligente Automatisierung optimiert werden kann. Dazu sind ganzheitliche Lösungen notwendig, die für eine verbesserte Performance der Maschinen und Anlagen dienen. Sie erzeugen anschließend weniger Ausschuss und damit weniger Kosten. Es werden mehr Produkte in bester Qualität produziert, was wiederum den Ertrag steigert. Und letztendlich führt das zu zufriedeneren Kunden.
Es geht bei der intelligenten Automatisierung um das Zünglein an der Waage und um minimale Effizienz- und Profitsteigerungen, die als Ganzes betrachtet, enorme Auswirkungen auf die betriebswirtschaftlichen Kennzahlen im Unternehmen haben. Es geht also um wertschöpfende Methoden und Technologien, die im betrieblichen Produktionsrahmen für mehr Effizienz, Qualität und mehr Umsatz sorgen.
Predictive Maintenance + intelligente Automatisierung
Die intelligente Automatisierung ist in der Lage, einen Wertbeitrag zu leisten. Die Technologien können dabei nicht nur Störfälle oder Wartungsbedarf vorhersagen, sondern die Leistung der Maschinen steigern. Das gelingt durch neueste Entwicklungen, die innerhalb von kürzester Zeit so viele Kombinationen untersuchen, bis am Ende ein optimierter Zustand erreicht ist. Möglich machen das KI-Algorithmen, die auf Basis von vorprogrammierten Regeln und Sollwerten nach optimalen Lösungen im Fertigungsprozess suchen.
Betrachtet man die gesamte Tragweite der Künstlichen Intelligenz, dann kann die Technologie in vielen Unternehmen für die Optimierung der Produktion sorgen. Jede graduelle Verbesserung ist erfassbar und durch feinste Justierungen ausgleichbar. Hier geht es um minimalste Anpassungen, für die der Mensch häufig nicht geeignet ist. Doch diese minimalen Optimierungen können der Einschätzung von McKinsey nach, eine Effizienzsteigerung zwischen 3 und 30 % ausmachen.
1 Quelle: Manufacturing‘s control shift, McKinsey 2018
Mit dem Ansatz für Reinforcement Learning, dem verstärkenden Lernen, wird die Künstliche Intelligenz zur perfekten Ergänzung für den Menschen. Zusammen mit beispielsweise Maschinenbedienern oder Technikern entsteht so eine überaus wirksame Symbiose und ein System, dass Abweichungen korrigieren kann, noch bevor die vorgegebenen Toleranzgrenzen überschritten sind.
Künstliche Intelligenz und das Internet of Things (IoT)
Es geht darum, die Qualität der Produkte zu verbessern. Dieser Aspekt rangiert bei der Frage nach den Anwendungen für Künstliche Intelligenz in IoT-Umgebungen direkt nach der Predictive Maintenance auf Platz 2. Danach folgen die Optimierung der Wertschöpfungskette, die IT-Sicherheit und der Datenschutz.
Wer auf Künstliche Intelligenz in der Produktion setzen will, sollte sich aber bewusst sein, dass einzelne Maßnahmen, beispielsweise die Effizienzsteigerung einer einzelnen Maschine, zwar für Erfolge sorgt, diese sich jedoch nicht im Gesamtkontext der Qualitätssicherung durchsetzen können. Künstliche Intelligenz und die wirkungsvolle Methode von Machine Learning zeigen erst beim ganzheitlichen, also konsequenten, Ansatz, ihr gesamtes Potenzial.
Es geht also um einen horizontalen Ansatz, und nicht den linearen, den beispielsweise die Predictive Maintenance verfolgt. Predictive Maintenance agiert wie ein stiller Beobachter in der intelligenten Automatisierung und unterstützt die Automatisierungssysteme, damit eine höhere Qualität erzielt werden kann.
Hochpräzise Optimierungsergebnisse liefert die KI im Rahmen einer individuell programmierten Software, die ganzheitlich im Sinne einer Artificial Intelligence of Things im Unternehmen zum Einsatz kommt. Die intelligente Automatisierung industrieller Fertigungsprozesse lässt sich skalierbar einsetzen und ist eine ausgereifte Technologie. Im unternehmensspezifischen Kontext dient die intelligente Automatisierung der Verringerung von Maschinen- und Prozessabweichungen.
KI-unterstützte Fertigung ermöglicht es Unternehmen, alle Qualitätsrelevanten Aspekte über den gesamten Lebenszyklus des Produktes zu verfolgen—vom Design über die Fertigung bis zur Gewährleistung. (Quelle Künstliche Intelligenz (KI) in der Fertigung. Ein Überblick und vier Anwendungen, die heute die Fertigung transformieren. PDF)
Die 5 Schritte für den Einsatz der intelligenten Automatisierung
Schritt 1: Die Status quo Analyse
Jedes Unternehmen hat individuelle Anforderungen und spezifische Besonderheiten in seinen Abläufen. Die technologische und organisatorische Basis muss stimmen, um individuelle KI-Lösungen einsetzen zu können. Die Technologie braucht außerdem eine ausreichend große Datengrundlage mit allen wichtigen Produktions- und Prozessdaten. In der Status quo Analyse muss sichergestellt werden, dass das Unternehmen für eine reibungslose Integration von IoT-Daten in die individuelle KI-Lösung vorbereitet und geeignet ist. Dieser Prozess kann mehrere Wochen dauern.
Schritt 2: Use Case Design
Sind die Strukturen der Fertigung im Unternehmen fixiert, wird ein Plan erstellt, der klar definierte Use Cases enthält. KPIs und Meilensteine werden festgelegt und die sogenannten Pain Points identifiziert. Wo kann die KI-Lösung für betriebswirtschaftliche Erfolge sorgen und an welchen Stellen in operativen Situationen sind Schwachstellen zu finden? Am Ende erfolgt die Bewertung der Use Cases mit der Feststellung von geeigneten und nicht-geeigneten Anwendungsszenarien für die intelligente Technologie.
Schritt 3: Umsetzung
Hier geht es um die konkrete Entwicklung und Umsetzung der individuellen KI für das Unternehmen und die Integration der vorher definierten Use Cases in die IoT-Umgebung. Die Vernetzung mit einer Cloud kommt an dieser Stelle häufig ins Spiel, denn die Maschinen und Anlagen brauchen Daten für die intelligente Steuerung. Sie erzeugen aber auch Daten bei jeder Tätigkeit. Diese werden für das selbständige Lernen der Software benötigt und sind dann ebenfalls über die Cloud gesichert. Die Cloud-Lösung ist ausgesprochen beliebt, um eine Visualisierung der Fertigungsprozesse zu erhalten und dient als Grundlage für die Integration der KI-Lösung in die Fertigung.
Schritt 4: Validierung
Die Use Cases befinden sich in der Umsetzung und sind einer permanenten Validierung ausgesetzt. Es geht dabei um die Fragen, ob die Anwendungen den gewünschten Erfolg gebracht haben und die gesetzten Ziele erreicht wurden. Jede intelligente Automatisierung wird zum Business Value und basiert auf Meilensteinen. Eine angestrebte Lösung macht nur dann Sinn, wenn eine Wertsteigerung für das Unternehmen erreicht wird. Die klar definierten Use Cases gehen dann in die Umsetzung und lassen sich weiter skalieren, um die gesamte Produktion abzudecken.
Schritt 5: Integration und Skalierung
Ein Roll-Out, also die Vorstellung des neuen Ansatzes, erfolgt erst nach der Validierung. Der Anschluss an die bestehenden Systeme findet erst dann statt, wenn die Lösung auf ein Produktions-taugliches Niveau skaliert wurde. Danach geschieht die Integration aller notwendigen Systeme. Darüber hinaus ist mit diesem Schritt die KI-Lösung bereit, als intelligente Automatisierung auf weitere Maschinen, Produktionslinien oder Anwendungsfälle skaliert zu werden.
