Industrial AI: From raw data to a more efficient production landscape

Die moderne Fertigung generiert heute eine Vielzahl von Daten durch Einsatz von technischen Systemen (Sensoren, Kameras). Es ergibt sich eine Mischung aus strukturierten und unstrukturierten Daten, die oft so komplex und umfangreich sind, dass es schwierig ist, darin klare Muster und Erkenntnisse zu identifizieren. Außerdem ist es schwer zu sagen, welche Daten für die weiteren Analysen relevant sind und gespeichert werden sollten. Ein konkretes Beispiel ist die Produktion von Halbleitern. Enorme Mengen von Sensordaten, Prozessdaten und Qualitätsdaten werden erzeugt. Diese Daten müssen analysiert werden, um Abweichungen oder Fehler in den Produktionsprozessen zu erkennen. Aufgrund der Vielzahl von Datenquellen und -formaten wird eine Herausforderung sein, die relevanten Informationen zu extrahieren und zu interpretieren.

Industrielle Prozesse sind oft durch vielfältige Prozessparameter und Wechselwirkungen geprägt, die es herausfordernd machen, versteckte Zusammenhänge zwischen den Daten zu erkennen. Nehmen wir als Beispiel die Herstellung von Gussteilen: In diesem Kontext sind die wechselseitigen Zusammenhänge der Prozessparameter – wie die Schmelztemperatur, Gießformtemperatur, Geschwindigkeit der ersten Phase und Geschwindigkeit der zweiten Phase – komplex, nicht linear und widersprüchlich [3].

Die Entscheidungsfindung in der Fertigung erfordert die Berücksichtigung zahlreicher Faktoren und Einschränkungen. Wie wir im vorigen Abschnitt gesehen haben, ist die Bestimmung des optimalen Toleranzfensters für Parameter keine einfache Aufgabe. Bleiben wir im gleichen Kontext – dem Gießen von Metallteilen – so stellen wir fest, dass diese Entscheidung Auswirkungen auf die Prozesseffizienz hat (d.h.: Metallteile werden von der Gießmaschine automatisch als Ausschuss qualifiziert, wenn die Messungen außerhalb des Toleranzfensters liegen).

Die Fertigungsindustrie steht vor der Herausforderung, umweltfreundliche Praktiken zu implementieren, um Ressourcenverbrauch und Emissionen zu reduzieren. Z.B.: Die Reduzierung des Wasser- und Energieverbrauchs in der Textilproduktion zur Minimierung des ökologischen Fußabdrucks.

Kundenanforderungen ändern sich ständig, und Hersteller müssen agil sein, um Produkte anzupassen und den Marktanforderungen gerecht zu werden. Die Wahl der Werkstoffe wirkt sich erheblich auf die Qualität der Produkte aus. Der Übergang von herkömmlichem Stahl zu fortschrittlichen Leichtbauwerkstoffen wie Kohlefaserverbundwerkstoffen für Karosseriebleche beispielsweise bringt aufgrund der einzigartigen Eigenschaften von Kohlenstoff komplexe Produktionsprozesse mit sich.

Durch die Ermittlung der Grundursache eines Problems können Hersteller gezielte Lösungen implementieren, um ein erneutes Auftreten des Problems zu verhindern. Dazu muss man tief in die Daten eindringen, um Korrelationen und damit die zugrunde liegenden Faktoren zu entdecken, die wahrscheinlich für bestimmte Probleme oder Anomalien verantwortlich sind. Nehmen wir zum Beispiel ein Szenario in der Elektronikfertigung, bei dem eine bestimmte Charge von Produkten bei Qualitätsprüfungen immer wieder durchfällt. Durch eine Ursachenanalyse könnte herausgefunden werden, dass eine bestimmte Maschinenkomponente höchstwahrscheinlich nicht korrekt kalibriert ist.

Durch fortgeschrittene Analyse von Produktionsdaten können Probleme frühzeitig erkannt werden, noch bevor sie zu ernsthaften Fehlern oder Ausfällen führen. In der Energieerzeugung könnten ungewöhnliche Abweichungen im Stromverbrauch eines Generators auf ein potenzielles Problem hinweisen, das behoben werden muss, um einen Ausfall zu vermeiden.

Unternehmen verlagern ihren Schwerpunkt von der Anhäufung von Massendaten auf das strategische industrielle Datenmanagement. Die Optimierung des Datenbedarfs und der Datenverarbeitung steht auch im Einklang mit den Zielen der Europäischen Kommission. Eine intelligente Datenauswahl und -aufbereitung verringert die Notwendigkeit, große Datenmengen und/oder große KI-Modelle zu sammeln, zu speichern, zu verarbeiten und zu übertragen und damit den Energieverbrauch zu senken [4].

Hersteller nutzen Datenanalysen, um fundierte Entscheidungen zu treffen. Ein Chemiewerk kann unmittelbare Erkenntnisse aus nahtlos integrierten Industriedaten gewinnen, die sich vom Edge bis zur Cloud erstrecken. Dies kann durch die Fusion verschiedener Datenquellen erreicht werden, was eine agile Entscheidungsfindung im gesamten Unternehmen fördert. Bei komplexen Entscheidungsfindungen können diese Daten in Form von Modellen auch in Optimierungsmodelle integriert werden (https://www.risc-software.at/fachbeitraege-die-besseren-entscheidungen-treffen-dank-prescriptive-analytics/) und so die Verantwortlichen bei Planungsproblemen unterstützen.

Industrielle KI trägt zur Verfeinerung des Qualitätssicherungsprozesses bei, indem sie den Prozess automatisiert und Defekte frühzeitig erkennt. Dadurch steigert sich die gesamte Produktions- und Produktqualität.

Industrielle KI ermöglicht die Umgestaltung von Arbeitsprozessen und die Schaffung neuer Geschäftsmodelle, die auf datengetriebener Innovation beruhen.

Die Anwendung industrieller KI führt zur Optimierung des Energieverbrauchs, zur effizienten Nutzung von Materialien, zur Reduzierung von Abfall und zur Senkung der Kosten. Zusätzlich ermöglicht sie die strategische Zuweisung freigegebener Ressourcen für kritische Aufgaben.

Obwohl die Datenumgebung in der Industrie heutzutage eine Big-Data-Umgebung ist, gibt es eine Mischung aus strukturierten und unstrukturierten Daten, die von minderer Qualität sein können (z. B.: unausgewogene Daten, fehlende Datenpunkte, ungenaue Sensormessungen, Datendrift, inkonsistente Formate, begrenzter Umfang usw.).

Es fehlt ein systematischer Ansatz zur effizienten Entwicklung von KI-Modellen, die für den Einsatz in der Industrie bzw. für die Integration in den Produktionsprozess bereit sind. Neben Herausforderungen wie Datenkomplexität und -qualität, mangelndem Fachwissen und Interpretierbarkeit der Modelle, müssen bei der Integration von KI-Modellen in bestehende Produktionssysteme auch Kompatibilitätsprobleme und Ressourcenbeschränkungen berücksichtigt werden.

Die Glaubwürdigkeit von KI-Systemen in der Industrie kann beeinträchtigt werden, wenn die Genauigkeit nicht annähernd perfekt ist, da diese Systeme kritische Sicherheits-, Zuverlässigkeits- und Betriebsfragen angehen könnten. Jedes Versagen der KI könnte negative wirtschaftliche und/oder sicherheitstechnische Auswirkungen haben und vom Einsatz von KI-Systemen abhalten. Durch die Einhaltung der Anforderungen an vertrauenswürdige KI (d.h.: in Anlehnung an “The Assessment List for Trustworthy Artificial Intelligence” (ALTAI) [5]) werden die Datenanalyseergebnisse nachvollziehbar (u.a. interpretierbar und transparent) gemacht.

Produktionsprozesse erfordern schnelle Entscheidungen und die produzierten Werkstücke können teuer sein, daher müssen KI-Anwendungen schnell reagieren, um Verschwendung und andere Folgen zu vermeiden. Im Gegensatz zu anderen KI-Systemen (z. B. Empfehlungssystemen) ist bei industriellen KI-Systemen außerdem eine sehr geringe Toleranz gegenüber falsch positiven und negativen Ergebnissen erforderlich, damit sie in der Produktion eingesetzt werden können.

Die Einbeziehung von Fachwissen ist ein Muss, um den Unterschied zwischen allgemeiner KI und industrieller KI deutlich zu machen. Die Dateningenieur*innen und Datenwissenschaftler*innen müssen mit den Domänenexpert*innen zusammenarbeiten und Fachwissen in den Modellierungsprozess einbeziehen. Und um die Einbeziehung des Fachwissens zu maximieren, müssen die entwickelten Modelle adaptiv lernen und die Erkenntnisse der Fachleute als Wissen akkumulieren.