Reduktion der Stillstandquote im Fertigungsprozess mithilfe von künstlicher Intelligenz

Peter Steinhoff

Peter Steinhoff

9. November 2018

Das Thema künstliche Intelligenz gewinnt in der heutigen Zeit der Digitalisierung an immer größerer Bedeutung. Häufig wird sie im Alltag des Menschen bereits angewandt, ohne dass man sich dessen bewusst ist. Auch viele große Unternehmen haben bereits Einsatzbereiche für künstliche Intelligenz in ihren Unternehmen geschaffen. Durch künstliche Intelligenz haben Unternehmen die Chance, ihre Produktion zu optimieren und Ausfallquoten zu reduzieren. Wie künstliche Intelligenz in den Produktionsprozess von Unternehmen integriert werden kann, zeigt der folgende Beitrag.

Die Vorteile der künstlichen Intelligenz sind überall

Stephen Hawking sieht großes Potenzial in der künstlichen Intelligenz: Zwar sei unklar, welche Veränderungen genau mithilfe der Möglichkeiten durch AI eintreten werden. Jedoch eröffnen sich mit dieser „neuen technologischen Revolution“ mitunter Chancen, angerichtete Schäden in der Natur und Armut zu bekämpfen. Letztendlich wird sie wohl in jedem einzelnen Lebensbereich Einzug erhalten.

Der entscheidende Vorteil, den die künstliche Intelligenz mit sich bringt, besteht wohl in der Fähigkeit, mehr Informationen zu verarbeiten und zu analysieren, als dies von Menschen überhaupt möglich ist.

Auch in der Medizin, in der Produktion, der Produktenwicklung oder in der Verwaltung ist dieser Aspekt der Digitalisierung bereits angekommen. Gerade die Medizin ist beim Thema künstliche Intelligenz bereits so weit fortgeschritten, dass ein Verzicht auf die Methoden der künstlichen Intelligenz kaum mehr möglich ist. Sie unterstützen bei Operationen beziehungsweise führen diese sogar selbstständig durch oder dienen der exakten Analyse und Auswertung medizinischer Bildaufnahmen.

Damit künstliche Intelligenz möglichst genaue Vorhersagen treffen kann, ist eine große Menge an Daten erforderlich. Big Data hat damit großen Einfluss auf die Genauigkeit der Ergebnisse der künstlichen Intelligenz: Durch die Lernfähigkeit der Maschinen wird jede Analyse und Auswertung der Daten exakter.

Künstliche Intelligenz kann daher auch eine große Chance für Unternehmen darstellen, da sie effektiv zur Optimierung von Unternehmensprozessen eingesetzt werden kann. Ein Beispiel hierfür ist die Optimierung der Produktion mit Hilfe von künstlicher Intelligenz, wie beispielsweise am Fließband. Denn integriert man nun die künstliche Intelligenz in den Produktionsprozess, so kann dies auf Grundlage von großen Datenmengen eine präzise Möglichkeit der Prävention vor Maschinenausfällen darstellen.

Modelle der künstlichen Intelligenz zur vorausschauenden Wartung

Die entsprechenden Modelle, die in diesem Zusammenhang eine übergeordnete Rolle spielen, sind Predictive Maintenance, Condition Monitoring und Fuzzy Logik.

Predictive Maintenance

Predictive Maintenance gilt als eine der Hauptkomponenten der Industrie 4.0. Übersetzt bedeutet das Konzept so viel wie ‚vorausschauende Wartung‘: Durch Predictive Maintenance sollen unnötige Stillstandquoten und damit verbundene Produktionsverluste vermieden werden.

Das Verfahren soll dazu dienen, mögliche, bald auftretende Probleme rechtzeitig zu erkennen und zu melden, bevor das Gerät oder die Maschine tatsächlich einen Defekt aufweist. Dadurch werden Behinderungen und Verzögerungen in der Produktion verhindert. Dies hat zusätzlich den Vorteil, dass Kosten eingespart werden können, da diese für eine ‚richtige Reparatur‘ meist deutlich höher sind als für Wartungsarbeiten.

Der Ablauf von Predictive Maintenance erfolgt in drei Schritten:

  1. Die Erfassung der Daten
  2. Die Analyse und Auswertung der Daten
  3. Berechnungen zur Eintrittswahrscheinlichkeit möglicher Probleme.

Daraus kann die künstliche Intelligenz nun eine Handlungsempfehlung aussprechen. Ein nennenswertes Beispiel für eine mögliche Predictive Maintenance-Software stellt die Software 5 Analytics dar: Das Start-up konzentriert sich auf die Integration von künstlicher Intelligenz in Unternehmensprozesse. Dafür wurde es bereits mehrfach als „Technologie-Startup des Jahres“ ausgezeichnet.

Condition Monitoring

Eine spezielle Form von Predictive Maintenance stellt das Condition Monitoring dar. Es beschreibt die stetige Überwachung des Zustandes von Maschinen.

Diese Überwachung erfolgt durch Messungen, Analysen und Auswertungen von Lärm, Temperatur, Schwingungen und ähnlichen Daten. Die Sensordaten der Maschinen werden dabei permanent überprüft, wodurch ein intakter Maschinenzustand gewährleistet wird. Gibt es nun Abweichungen in diesen Datenreihen, so kann dies ein erstes Anzeichen für mögliche Probleme darstellen.

Durch diese Methode können Unternehmen die Instandhaltung von Maschinen und Fließbändern in vielerlei Hinsicht optimieren. Zum einen sparen sie Geld, wenn intakte Teile nicht regelmäßig nach einer bestimmten Zeit ausgetauscht werden, sondern erst, wenn diese tatsächlich Probleme und Defekte aufweisen. Zum anderen werden Produktionsausfälle und damit verbundene Kosten reduziert.

Fuzzy Logik

Um eine noch genauere Vorhersage treffen zu können, kann die Fuzzy Logik in das Condition Monitoring integriert werden. Bei der Fuzzy Logik geht es darum, dass die Maschine, ähnlich wie der Mensch, unvollständige, fehlerhafte oder widersprüchliche Informationen herausfiltert.

Im gleichen Maße, in dem die Komplexität eines Systems steigt, verschlechtert sich die Fähigkeit von Menschen, präzise und zugleich signifikante Aussagen über das Verhalten des Systems zu machen. Hier hat die künstliche Intelligenz den Vorteil gegenüber dem Menschen: Je mehr Daten zur Verfügung stehen, desto genauer werden die Aussagen. Der Maschine fehlt es bisher jedoch an der Kompetenz, fehlerhafte Daten aufzudecken und auszuschließen. Zur Lösung dieses Problems wurde die Fuzzy Logik entwickelt.

Die Fuzzy Logik stellt ein Konzept der „Logik für unscharfe Mengen“ dar. Ohne diese verfügen auch Maschinen nur über beschränkte Möglichkeiten bei ihren Analysen. Dabei gibt es letztendlich nur:

  • „Ja“ / „Nein“
  • „Richtig“ / „Falsch“
  • „Defekt“ / „Intakt“.

Mit Hilfe der Fuzzy Logik sollen nun zusätzliche, nicht eindeutige Aussagen getroffen, analysiert und eingeordnet werden können. Dies umfasst Begriffe der unscharfen Menge, wie „ein bisschen“, „viel“, „wenig“, „häufig“, „selten“ et cetera. Es geht also darum, unscharfe und ungenaue Angaben bei der Interpretation eines Sachverhalts zu berücksichtigen.

Die Kombination aus Condition Monitoring und Fuzzy Logik stellt für Unternehmen somit eine effiziente Methode zur Produktionsoptimierung am Fließband beispielsweise dar.

Künstliche Intelligenz hat weitgreifenden Einfluss auf Stillstandquoten

Für die Kalkulation der Ausfallwahrscheinlichkeit im Maschinenbau gibt es eine Übersicht an Faktoren, die alle Einfluss auf die Stillstandquote ausüben. Unterschieden wird dabei zwischen unternehmensinternen und unternehmensexternen Daten. Bei den internen Daten spielen dynamische Faktoren wie die Temperatur oder Vibrationen der Maschine eine wichtige Rolle. Darüber hinaus beeinflussen statische Daten wie das Alter oder das Material die Ausfallwahrscheinlichkeit.

Zusätzlich müssen externe Faktoren berücksichtigt werden, auch wenn das Unternehmen keinen Einfluss auf diese hat. Dies umfasst Informationen zum Grundwasserniveau, Wetterbedingungen oder allgemein das Installationsumfeld der Maschine. Mithilfe dieser Daten lässt sich nun eine Analyse zum aktuellen Zustand der Maschine durchführen.

In diesem Überblick wird deutlich, dass eine enorm umfangreiche Menge an Daten benötigt wird, um genaue Aussagen zur Ausfallwahrscheinlichkeit treffen zu können. Die Ausfallwahrscheinlichkeit aufgrund der internen Faktoren wird mit Hilfe der künstlichen Intelligenz minimiert: Die entsprechende Software analysiert große Mengen an Daten der Maschine. Treten nun Unregelmäßigkeiten bei diesen Daten auf, so erkennt das die Software sofort. Aufgrund dieser Analyse kann die Maschine nicht nur eine Warnung ausgeben, sondern eine ganze Handlungsempfehlung. Damit können schließlich alle Faktoren, auf die das Unternehmen selbst Einfluss hat, durch künstliche Intelligenz optimiert werden.

Künstliche Intelligenz im Produktionsbereich der Automobilbranche

Überträgt man dies nun auf ein Unternehmen aus der Automobilbranche, so werden einige Chancen konkret erkennbar. Hohe Stillstandquoten am Fließband werden etwa dadurch verhindert, indem die Maschinen die Ausfallquoten reduzieren und die Produktion optimieren.

Das Problem von zu hohen Ausfallquoten kann beispielsweise mithilfe von Predictive Maintenance gelöst werden. Die Technik wird so integriert, dass während der Produktion stetig die Daten und Informationen analysiert werden, beispielsweise von Sensoren. Gibt es nun eine Abweichung in der Regelmäßigkeit der Daten, was auf eine bald benötigte Reparatur hinweisen könnte, so ist eine Warnung am Display zu sehen. Das System gibt hier jedoch nicht nur Aufschluss darüber, dass eine Reparatur in absehbarer Zeit fällig wird: Es erstellt zudem eine genaue Analyse des Problems und leitet daraus eine Handlungsempfehlung ab.

Die Fuzzy Logik befindet sich bereits bei vielen Automobilbau-Unternehmen in der Anwendung. Indessen ist es nach wie vor üblich, Stichproben zur Qualitätskontrolle heranzuziehn, die händisch von Mitarbeitern auf die Erfüllung bestimmter Charakteristika überprüft werden. Mit Hilfe der Fuzzy Logik kann dieser Prozess durch ein Bildanalyse-System automatisiert werden. Diesem Analyse-System werden nun die benötigten Charakteristika und Eigenschaften, beispielsweise über die Oberflächenbeschaffenheit, zugeführt. Diese Idealmaße werden als „Ok“-Vorlage abgespeichert. Maße, die nicht mehr im akzeptablen Bereich liegen, werden beispielsweise als „Ungenügend“-Vorlage hinterlegt. Eine weitere Möglichkeit ist, eine Vorlage mit Maßen anzulegen, die gerade noch im akzeptablen Bereich sind, jedoch zusätzlich von einem Mitarbeiter überprüft werden sollten und als „zu überprüfen“ hinterlegt werden. Durch diese Automatisierung kann also auch die Fehlerquote verringert werden.

Fazit: Künstliche Intelligenz entfaltet nicht nur hinsichtlich Produktion und Stillstandquoten enorme Potenziale

Peter Steinhoff, Lisa-Maria Rohrmüller, Profilbilder, AutorInnenbilder, künstliche Intelligenz, Produktionsprozesse optimieren, Stillstandzeit minimieren, Stillstandquoten reduzieren, Digitalisierung in der Produktion, künstliche Intelligenz in der Automobilbranche, vorausschauende Wartung, Predictive Maintenance, Condition Monitoring, Fuzzy Logik
Dieser Beitrag über das Potenzial, das die Digitalisierung und insbesondere die künstliche Intelligenz in den Bereichen Produktion, Wartung und Stillstandquoten entfaltet, wurde in Zusammenarbeit von Professor Dr. Peter Steinhoff und Lisa-Maria Rohrmüller verfasst. (Bild: © Peter Steinhoff / Lisa-Maria Rohrmüller / TCI GmbH)

Allein dieser kurze Einblick in die Möglichkeiten der Digitalisierung verdeutlicht, welches enorme Potenzial die künstliche Intelligenz in den Produktionsbereich von Unternehmen einbringt. Daraus lässt sich wohl mit Sicherheit schließen, dass die Techniken dazu in den nächsten Jahren stetig weiterentwickelt werden.

Dieser Beitrag wurde von Professor Dr. Peter Steinhoff in Zusammenarbeit mit Lisa-Maria Rohrmüller verfasst. Frau Rohrmüller arbeitet als Marketing Manager im Business-to-Business Bereich und studiert Betriebswirtschaftslehre im Master an der Hochschule für angewandtes Management in Ismaning bei München.

(Coverbild: © wladimir1804 | AdobeStock)

Über den Autor

Peter Steinhoff

Peter Steinhoff

Prof. Dr. Peter Steinhoff ist Managing Partner der TCI Transformation Consulting International GmbH und Experte für Business Transformation im CFO- und CIO-Bereich. Zudem ist er Professor für Betriebswirtschaftslehre und als Speaker und Autor aktiv.

Teile diesen Artikel auf Social Media

Weitere Blogartikel

Mehr aus unserem Blog

Harrlachweg 2

68163 Mannheim
Deutschland

KONTAKT

Sie haben eine Anfrage? Gerne!

© 2024 TCI • Alle Rechte vorbehalten.