KI-gestützte Prozessoptimierung
Grundlagen für werksnahen KI-Rollout
Maschinenstillstände vorhersagen, Ersatzteil bestellen und den Wartungstermin eintakten - alles automatisiert. Künstliche Intelligenz und Machine Learning versprechen im Zusammenspiel mit einem MES viel Potenzial. Bei der Implementierung lauern jedoch Fallstricke.
Bild: ©Lee/stock.adobe.com

Ein Manufacturing Execution System (MES) in Kombination mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML) eröffnet Produktionsbetrieben Möglichkeiten für Innovationen. Produktionsverantwortliche haben immer mehr Informationen zur Verfügung, um Prognosen abgeben und Entscheidungen treffen zu können. Außerdem können Unternehmen durch die weitgehende Automatisierung ihrer Prozesse die Gesamtanlageneffizienz steigern, die Produktion qualitativ verbessern und Kosten minimieren. In der Praxis fehlen aber oftmals die technologischen Grundlagen und das Fachwissen. Das betrifft vor allem kleine und mittlere Fertigungsbetriebe, die beim Einsatz von KI und ML in Verbindung mit einem MES noch am Anfang stehen. Doch wo genau liegen die Schwierigkeiten?

Faktoren für den Erfolg

Erfolgskritische Faktoren für KI-/ML-Projekte sind Maschinenanbindung und Datenintegration. Ein MES verbindet in der Regel bereits die Maschinen und liefert Kennzahlen. Um das Potenzial von KI- und ML-Lösungen nutzen zu können, gilt es allerdings standortübergreifend Maschinen und interne Systeme miteinander zu verknüpfen. Wenn nötig, müssen die Unternehmen dafür zunächst ihre Maschinen für den Austausch ausrüsten. Dies betrifft vor allem ältere Maschinen, die eine MES-Anbindung entweder gar nicht oder nur über wenige proprietäre Protokolle und Formate unterstützen. In solchen Brownfield-Szenarien schaffen Hard- und Software-Komponenten Abhilfe, die unabhängig vom Maschinenmodell oder -hersteller für Konnektivität sorgen. Sind die Maschinen angebunden, kann im nächsten Schritt auf IT-Ebene die Verknüpfung der internen Systeme erfolgen. Dazu zählen neben MES-Anwendungen auch Lösungen für Enterprise Resource Planning (ERP), Lagerverwaltung (WMS) oder Supply Chain Management (SCM). Diese stammen oftmals von unterschiedlichen Softwareanbietern, was die Kommunikation zwischen den Systemen erschweren kann. Eine Datenplattform kann helfen. Dort laufen Daten aus den angebundenen Quellen zusammen – es entsteht eine sogenannte Single Source of Truth. Kleinere KI-/ML-Projekte gelingen auch ohne eine solche Datenzusammenführung. Jedoch wird zur Optimierung der gesamten Wertschöpfungskette meist eine Single Source of Truth vorausgesetzt.

Ereignisse vorhersagen

Aus der Zusammenführung der Daten erhalten Entscheider Erkenntnisse über die aktuelle und zukünftige Produktion. KI- und ML-Algorithmen können mehr als nur Datenanalysen vereinfachen. In vielen Anwendungsfällen lassen sich Prozesse KI-gerstützt weitgehend automatisieren. Ein Beispiel: Bei der vorausschauenden Wartung (Predictive Maintenance) einer Produktionsanlage werden nicht nur Verschleiß und Austauschzeitpunkt des betreffenden Maschinenteils untersucht, sondern auch automatisch das Ersatzteil geordert. Zudem kann das beste Zeitfenster für die Wartungsarbeiten bestimmt werden. Damit es dabei nicht zu Produktivitätseinbußen kommt, kann die Produktion gegebenenfalls auf eine andere Linie umgeleitet werden. Während des gesamten Vorgangs muss der Produktionsleiter nicht manuell eingreifen, sondern überwacht lediglich den Prozess.

Reichen die Daten aus?

Eine weitere wichtige Voraussetzung für den KI- und ML-Einsatz besteht in der Entwicklung der Algorithmen – entweder in Eigenregie oder durch externe Partner. Viele Anwendungsfälle verlangen einen Vergleich von historischen und aktuellen Daten. Versteht der Algorithmus sensorische Anomalien aus der Vergangenheit, kann er Vorhersagen über den Verschleiß von Maschinen treffen. In welchem Umfang historische Daten vorliegen müssen, hängt vom Anwendungsfall ab. Für das Beispiel der vorausschauenden Wartung gilt in der Praxis meist: Der Algorithmus muss mindestens so weit zurückblicken können, wie er in die Zukunft vorausschauen soll.

Fachwissen in die Projekte bringen

Gerade in kleinen und mittleren Unternehmen mangelt es oft an KI-Fachleuten. Diese Spezialisten bringen eine Menge Fachwissen mit, die es während der KI-Projekte in die unterschiedlichen Fachbereiche des Herstellers zu integrieren gilt. Gerade bei der Integration der OT- (Operational Technology) und IT-Systeme ist eine vertrauensvolle Zusammenarbeit auf allen Seiten gefragt. Hilfreich sind dabei Projektleiter, die sowohl die IT- als auch die OT-Sicht verstehen. Stehen solche Mitarbeiter nicht zur Verfügung, können externe Partner dieses Fachwissen ins Projekt bringen. Doch auch Software kann unterstützen und die Entwicklung von ML automatisieren helfen. Erste Projekte sind so auch ohne Spezialisten realisierbar.

IT-Infrastruktur vorbereiten

Für den Anfang empfehlen sich kleinere Projekte, die sich beispielsweise auf einzelne Maschinen oder Fertigungsstraßen konzentrieren. Die Verbindung des MES mit weiteren internen Systemen ist dabei nicht zwingend erforderlich. Früher oder später wollen die meisten Unternehmen ihre Daten übergreifend integrieren. Ein anderer möglicher Ausgangspunkt ist also, zunächst die eigenen IT-Infrastruktur zu optimieren und diese so auf komplexere Projekte vorzubereiten.

www.intersystems.com

Das könnte Sie auch Interessieren

Bild: Indu-Sol GmbH
Bild: Indu-Sol GmbH
Verschleiß dauerhaft überwachen, Schäden frühzeitig erkennen

Verschleiß dauerhaft überwachen, Schäden frühzeitig erkennen

Nicht nur Motoren und Pumpen sind in Produktionsanlagen dem Verschleiß unterworfen, sondern auch die Datenleitungen der Maschinen- und Anlagennetzwerke einschließlich der Kabel und Stecker. Dauernde Wechselbiegebeanspruchungen, Erschütterungen sowie Oxidation und Korrosion lassen der Alterung und dem Verschleiß ungehinderten Lauf. Doch während der mechanische Verschleiß mit den Sinnesorganen analog wahrnehmbar ist, macht sich der Verschleiß einer Datenleitung erst im Extremfall bemerkbar: dem Ausfall. Um dem entgegenzuwirken, sind intelligente managed Switches vonnöten, mit denen der physikalische Zustand der Datenleitung digitalisiert und somit sichtbar wird.

Bild: ©Chlorophylle/stock.adobe.com
Bild: ©Chlorophylle/stock.adobe.com
Steigendes Interesse an Ersatzteilmanagement auf Knopfdruck

Steigendes Interesse an Ersatzteilmanagement auf Knopfdruck

Volle Auftragsbücher und dennoch Sorgenfalten im mittelständischen Maschinen- und Anlagenbau aufgrund brüchiger Lieferketten, dazu Entlassungswellen und zunehmende Zurückhaltung bei Investitionen in junge Technologieunternehmen: Der Wind wird rauer. Zugleich aber zeigen vor allem junge B2B-Plattformanbieter wie PartsCloud auch in der Krise ein robustes Wachstum, da sie viele der aktuell im Fokus stehenden Herausforderungen adressieren.

Bild: Lünendonk & Hossenfelder GmbH
Bild: Lünendonk & Hossenfelder GmbH
Lühnendonk-Studie: Industrieservice-Unternehmen in Deutschland 2022

Lühnendonk-Studie: Industrieservice-Unternehmen in Deutschland 2022

Die zehn führenden Industrieservice-Unternehmen in Deutschland sind um 9,5 Prozent gegenüber dem Vorjahr gewachsen. Damit generieren die Marktführer ein noch stärkeres Wachstum als die 20 Unternehmen der Lünendonk-Liste, die im Durchschnitt um 6,6 Prozent gegenüber dem Vorjahr wuchsen. Diese Entwicklung ist u.a. auf Aufholeffekte nach dem pandemiebedingten Krisenjahr 2020 zurückzuführen, von dem der Industrieservice besonders stark betroffen war.