Mit maschinellem Lernen zur Fabrik der Zukunft

bei

 / 30. May. 2018

E-Mails schreiben, Termine organisieren und die Heimelektronik steuern –smarte Sprachassistenten machen das möglich. Beim Arzt sichert künstliche Intelligenz Diagnosen ab. Die Stadt Mannheim setzt auf selbstlernende Algorithmen, um auf Videoaufnahmen verdächtiges Verhalten und Gefahren zu erkennen: Beispiele einer Studie von PricewaterhouseCoopers (PWC) aus dem März 2018 zeigen, was heute mit künstlicher Intelligenz (KI, englisch AI) und maschinellem Lernen möglich ist – und was noch möglich sein wird. So geht die Unternehmensberatung davon aus, dass künstliche Intelligenz den Weg für neue Betriebs- und Geschäftsmodelle gerade erst ebnet. „Bestehende Wertschöpfungsketten werden sich durch AI verändern, ebenso wie neue Geschäftsmodelle und Märkte entstehen“, schreiben die PWC-Experten Wilfried Meyer und Hendrik Reese.

Denn: Langfristig erfolgreich sind Unternehmen nur, wenn sie das volle Potential von KI entlang ihrer digitalisierten Wertschöpfungsketten ausschöpfen. So erwarten 72 Prozent der von PWC befragten Firmenlenker, dass künstliche Intelligenz der Geschäftsvorteil der Zukunft sein wird. Wie das heute praktisch aussehen kann, zeigt T-Systems mit Next Generation Maintenance. Einer Lösung, die maschinelles Lernen im industriellen Kontext anwendet und deutlich macht, wie KI die Produktivität im Vergleich zu Wettbewerbern entscheidend steigern kann: Denn mit Hilfe von maschinellen Lernverfahren aus der KI werden Ausfälle von Produktionsanlagen erkannt, die Ursachen für Defekte bestimmt und Ersatzteile und Servicetechniker bestellt. Und zwar Tage im Voraus.

Produkte verbessern, Kundenzufriedenheit steigern

In einer Ende 2017 von Strategieberatung Frenus und T-Systems durchgeführten Marktstudie gaben 70 Prozent der Unternehmen an, bei ungeplanten Produktionsstillständen schwer in Verzug zu geraten. Jedes Zweite berichtet von Qualitätsproblemen. Mehr als 300 Leiter von Produktions-, Logistikabteilungen, Warenwirtschaft, Instandhaltung und Quality wurden für die Studie befragt. Die Idee hinter Next Generation Maintenance geht dabei über das reine Vorhersagen von Maschinenausfällen hinaus. Die Ende-zu-Ende-Lösung bringt Produzenten, Kunden und Anlagenhersteller an einen Tisch. So können die Fabriken die kontinuierlichen Datenanalysen beispielsweise nutzen, um die Qualität ihrer Erzeugnisse weiterzuentwickeln. Oder die Hersteller des Fertigungsequipments lernen, wie sie die Lebensdauer ihrer Produktionsmaschinen erhöhen können. Fertigungsverfahren lassen sich simulieren und vorab absichern. Oder Augmented und Virtual Reality-Anwendungen in die Wartungsroutinen der Servicetechniker integrieren, damit die 3D-Brille den Mitarbeiter zur Maschine lotst und ihm dort assistiert.

Industrielle Wartung 4.0

Das Konzept hinter Next Generation Maintenance ist für die Betreiber von Maschinen und Anlagen aus zwei Perspektiven besonders interessant: Zum einen, um Reparatur- und Stillstandzeiten zu verkürzen, Service- und Betriebskosten zu reduzieren und Umsätze zu steigern. Denn: Höher verfügbare Anlagen lassen sich auch höher auslasten. Zum anderen aber auch, weil der Instandhaltung eine Schlüsselrolle für die Industrie 4.0 zukommt: Eine repräsentative Umfrage von Ernst & Young aus dem Jahr 2017 zeigt, dass sich Industrie 4.0 bis dato eher schleppend durchsetzt, da Budget und Know-how fehlen, fokussieren sich die Unternehmen auf Teilbereiche. Die vorausschauende Wartung von Maschinen (Predictive Maintenance) gilt dabei als das Industrie 4.0-Konzept mit dem größten Wachstumspotential, wie die PWC-Studie „Digitale Factories 2020“ aus dem Jahr 2017 zeigt: Setzen aktuell nur 28 Prozent der Industrieunternehmen Predictive Maintenance-Lösungen ein, sollen es innerhalb der nächsten fünf Jahren 66 Prozent werden.

Um Anlagen verfügbar zu halten, sind drei Methoden in der Industrie gängig:

• Bei der periodisch vorbeugenden Wartung tauschen die Unternehmen Verschleißteile nach festgelegten Zeitintervallen aus. Haben beispielsweise Zahnriemen, Schläuche oder Achsen ihre errechnete Lebensdauer erreicht, rücken Techniker an. Aber: Erst an der Maschine erkennen die Mitarbeiter auch, ob ein Austausch wirklich nötig ist. Das macht Servicearbeiten ineffizient.

• Die zustandsorientierte Wartung setzt auf Sensordaten, um genauer zu bestimmen, wann eine Reparatur nötig ist. Ob Temperatur, Druck oder Geschwindigkeit – die Sensoren kontrollieren einzelne Parameter. Durch die Anwendung von Regeln und Wenn-Dann-Beziehungen lassen sich Reparaturbedarfe präzise ableiten. Weicht ein Betriebsparameter in bestimmten Konstellationen vom Sollwert ab, kann das auf einen Defekt hinweisen.

• Datenanalysen wiederum sind in der Lage, nicht nur einzelne, sondern viele Maschinenparameter aus dem laufenden Betrieb in Echtzeit zu analysieren. Über die heute verfügbaren modernen Cloud-Lösungen verarbeiten Unternehmen Daten schnell und kostengünstig. Kombiniert mit den Möglichkeiten des maschinellen Lernens erschließen sich Fabriken ganz neue Auswertungs- und Nutzenpotentiale: Selbstlernende Algorithmen spüren versteckte Muster in den Datenströmen auf und erkennen verwobene, vielschichtige Wirkzusammenhänge.

Lernende Software

Maschinelles Lernen beschreibt als KI-Teilbereich die Fähigkeit von Software, sich auf Basis ihrer bisherigen Interaktionen mit der Umwelt selbst anzupassen und zu verbessern. Heißt konkret: Wie der Mensch durch Erfahrung lernt und sein Verhalten verändert, verhält sich auch ein solcher Programmcode. Wenden Fabriken intelligente Softwarebausteine auf ihre Produktionsanlagen an, sind diese in der Lage, in großen Datenbergen die Verhaltensmuster von Maschinen zu analysieren. Ausfälle einzelner Bauteile lassen sich dann voraussagen, Störungen und Ursachen im vornherein erkennen. Unternehmen planen Servicearbeiten mit Vorlauf ein.

Bei Next Generation Maintenance setzt T-Systems auf Roboter-Prozess-Automatisierung, kurz RPA. Sogenannte RPA-Bots kommen beispielsweise auch überall dort zum Einsatz, wo Mitarbeiter im Büro von Routineaufgaben entlastet werden sollen. Denn je standardisierter Aufgaben sind und je häufiger sie anfallen, desto seltener sind dafür Menschen erforderlich. Softwareroboter können dann beispielsweise Rechnungen und Überweisungen schreiben, Stammdaten pflegen. Oder die Datenströme aus einer Fabrik in Echtzeit analysieren.

Vor dem Einsatz im Fertigungsbetrieb ist ein Training mit historischen Daten nötig. Das heißt: Die RPA-Bots lernen, wie sie den Gesundheitszustand der Produktionsanlagen erkennen und bewerten können. Über diese Datensätze trainieren sie ihre Fähigkeit, Zusammenhänge zwischen Maschinenparametern und zurückliegenden Ausfällen zu identifizieren. Später wenden die Algorithmen dieses Wissen im laufenden Betrieb an, um Probleme vorausschauend zu erkennen. Über diese Erkenntnisse werden ihre Prognosen kontinuierlich präziser.

Beispiel Autoproduktion: Ausfälle 6 Tage im Voraus erkennen

Die Lösung von T-Systems kommt bereits in der Automobilproduktion zum Einsatz. Das Ziel: Die Wartung von Schweißrobotern zu optimieren. Denn fällt ein Roboter ungeplant aus, steht die komplette PKW-Produktion still. Mit den selbstlernenden RPA-Bots ist ein Automobilhersteller in der Lage, nicht nur ausfallende Roboter bis zu sechs Tage im Voraus zu identifizieren, sondern auch die Ursachen für den Defekt zu erkennen. Der Vorteil: Ersatzteile lassen sich passend zum Bedarf bestellen und Servicetechniker genau dann anfordern, wann Wartung auch wirklich erforderlich ist. Reparaturen an den Schweißrobotern lassen sich rechtzeitig einplanen, so dass die Produktion stets ungehindert weiterläuft.

Physische Arbeiten und menschliche Fertigkeiten automatisieren

Das Beispiel zeigt: Mit Next Generation Maintenance lässt sich die Kluft zwischen ambitionierter Industrie 4.0-Strategie und rascher Umsetzung schließen. Denn wo sich Unternehmen auf dem Weg zur intelligenten Fabrik bis dato nur auf Teilbereiche konzentrieren, verlangt die vierte industrielle Revolution nach radikalen Umwälzungen: Die selbst lernende, sich selbst organisierende Fabrik wird nur Realität, wenn Unternehmen Technologien wie maschinelles Lernen durchgängig entlang ihrer gesamten digitalisierten Wertschöpfungsketten anwenden, wie die Unternehmensberater von PWC sagen. Wird die Industrie 4.0 Realität, so erwartet der Digitalverband Bitkom bis 2025 etwa 78 Milliarden Euro mehr Bruttowertschöpfung am Standort Deutschland.

Was maschinelles Lernen und KI betrifft, so geht PWC davon aus, dass die Technologie im Jahr 2030 so reif sein wird, auch physische Arbeiten und menschliche Fertigkeiten automatisieren zu können – und das dann in dynamischen Umgebungen, die neue Anpassungs- und Lernstrategien der Algorithmen erforderlich machen werden. So sollen sich dann beispielswiese vollkommen autonom fahrende öffentliche Verkehrsmittel auf unseren Straßen bewegen.

Der Autor: Karlheinz Blank startete seine Karriere in der Wissenschaft, bevor er als Projektleiter und IT-Architekt zur Daimler-Benz-Forschung wechselte. Seit 1997 ist er bei T-Systems als IT-Experte und leitender Berater u.a. im Umfeld Automobilindustrie tätig. Aktuell arbeitet er als Portfolio- und Innovationmanager im Global Competence Center Sales & Aftersales Solutions und treibt dort Themen wie Next Generation Maintenance voran. Darüber hinaus unterrichtet er als Lehrbeauftragter in den Fachgebieten Methoden der Wirtschaftsinformatik und Künstlicher Intelligenz. 

Vorheriger ArtikelMachine Learning – Rahmenbedingungen und wo muss das Recht helfen?
Nächster ArtikelBusiness Cases & Machbarkeiten von Machine Learning