Der Nutzen von Machine Learning in der Produktion

Machine Learning in der Produktion? Die Digitalisierung ist omnipräsent und verändert alle gesellschaftlichen Bereiche dramatisch, so natürlich auch die produzierende Industrie. Insbesondere der Maschinenbau wird sich den Herausforderungen stellen müssen, will er seine in vielen Bereichen bestehende Produktführerschaft behalten. von Burkhard Röhrig

Das Schlagwort Industrie 4.0 bedeutet nichts anderes als einen Paradigmenwechsel für die deutsche Maschinenbau- und Fertigungsindustrie. Produktionsstraßen werden nicht länger von Applikationen abgeschnitten sein und einen manuellen Bestellprozess notwendig machen. Im Gegenteil: Sie werden ein integraler Bestandteil des Netzwerks sein. So wird die einzelne Maschine zur Handelsware und austauschbar.

Software ist der Antreiber

Industrie 4.0 wird zudem durch Software vorangetrieben und ermöglicht. Erst durch Anwendungen sind Unternehmen in der Lage, ihre Prozesse schlanker und damit agiler zu gestalten. Sie gewährleisten auch, dass die Produktionsstraße und das Back-Office nahtlos zusammenarbeiten. Noch wichtiger: Software treibt das Netzwerk an, auf dem alle Industrie-4.0-Komponenten aufbauen. Im Unterschied zur klassischen Digitalisierung von Unternehmens-Prozessen – wie ERP, CRM, PLM – oder Produkten (etwa eingebettete oder mechatronische Systeme) erfordert dies das Verstehen und Denken in der neuen, internetbasierten Welt.

Machine Learning in der Produktion

Für den Maschinenbau wird die zunehmende Austauschbarkeit einer einzelnen Maschine in vielen Bereichen dazu führen, dass zukünftig nicht mehr die Maschine selbst, sondern die Leistung und Verfügbarkeit einer Maschine verkauft wird. Hiermit ändert sich die Geschäftsgrundlage für den Maschinenbau gravierend, denn das Ersatzteilgeschäft, das bisher entscheidend war, entfällt. Stattdessen gilt es, die Erwartungen hinsichtlich einer 24/7-Verfügbarkeit zu erfüllen. In diesem Zusammenhang spricht man von „disruptiven Veränderungen“.

Dies ist wohl auch der Grund, warum die Themen künstliche Intelligenz und insbesondere Machine Learning höchst präsent im Management und in vielen Fachbereichen der Maschinenbauer sind.

Was KI und Machine Learning ist

Machine Learning kann man tatsächlich wörtliches nehmen und mit maschinellem Lernen übersetzen. IT-Systeme erhalten die Fähigkeit, auf der Grundlage vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln – also selbstständig zu lernen.

Diese Algorithmen folgen nicht einfach nur streng definierten Programmvorgaben, sondern treffen datengestützte Vorhersagen, indem sie auf Basis von Beispielen Wissen generieren – also lernen.

In der Industrie basiert maschinelles Lernen auf der Grundlage von vielen gewonnenen Daten mit Hilfe von Sensorik, Cyber Physical Systems und Software. Machine Learning entwickelt aus den Daten Informationen, die die Produktion effizienter und planbarer machen.

Turn Big into Smart Data

Die Analyse riesiger Datenmengen (Big Data) ist zu einem entscheidenden Faktor für den effizienten Einsatz künstlicher Intelligenz in der Wirtschaft geworden. Doch entscheidend ist nicht nur die Menge der Daten, sondern auch die richtige Interpretation. Nur so kann aus Big Data auch „Smart Data“ werden.

Große Player wie Google haben die Maschinenintelligenz längst für sich entdeckt und integrieren KI in eine Vielzahl von Produkten. IBM-Chefin Ginni Rometty erklärt: „In wenigen Jahren wird jede größere Entscheidung […] mit Hilfe von künstlicher Intelligenz und kognitiven Technologien fallen.“ Forscher im Silikon Valley gehen noch weiter und sagen voraus, dass in circa zehn Jahren künstliche Intelligenz die menschliche übertroffen haben wird.

Dass KI bereits im Alltag angekommen ist, zeigt sich in vielen Anwendungsfällen – gerade im Bereich der Augmented Reality. Denken wir nur an Head-Up-Displays im Auto, Reise-Apps oder die digitale Umkleidekabine.

KI in die Praxis

Grundsätzlich bietet Machine Learning in der Produktion eine Vielzahl von Nutzenpotentialen. Für die Aufgaben der vorausschauenden Instandhaltung (Predictive Maintenance) wird der Nutzen von Machine Learning besonders deutlich: Früher war Instandhaltung häufig rein reaktiv. Erst wenn bereits ein Fehler aufgetreten war, konnte dieser behoben werden. Dies führte zu Wartezeiten und Stillständen.

Heute findet Instandhaltung proaktiv statt. Denn auf der Grundlage vieler gewonnener Informationen lassen sich künftig aufkommende Probleme an einer Maschine so rechtzeitig diagnostizieren und planbar beheben, noch bevor eine Störung eintritt und zu einer Produktionsunterbrechung führt. Für die Instandhaltung eines Maschinenbauers oder auch Kunden bedeutet dies, dass die Instandhaltung planbar und damit deutlich effizienter wird. Wartezeiten und Stillstände gehören damit quasi der Vergangenheit an.

Für den Kunden des Maschinenbauers bedeutet dies, dass er unterbrechungsfrei und damit verlässlich, wie geplant, produzieren kann. Aber Sensorik in Verbindung mit Software erlaubt auch im Sinne eines Feintunings die Maschineneffizienz zu optimieren. Machine Learning ermöglicht also sowohl für den Maschinenbauer als auch für dessen Kunden eine Optimierung seiner Prozesse.

Je nach Einsatzgebiet lassen sich also Mehrwerte für den Anwender und Betreiber der Maschine erzielen – bessere Auslastung durch verkürzte Rüstzeiten, verlässliche Produktionsplanung oder die „Null“-Fehler-Fertigung. Denkbare Expertensysteme, als fester Bestandteil der Maschinen, würden beispielsweise eine schnellere Einarbeitung und geringeren Schulungsaufwand ermöglichen. Letztlich könnte auch die Bedienung im laufenden Betrieb durch eine entsprechende Unterstützung vereinfacht werden.

Der Leitfaden des VDMA

Obwohl die Vorteile von Machine Learning klar auf der Hand liegen, herrscht in einigen Maschinenbauunternehmen noch Unsicherheit darüber, ob es sich bei Machine Learning um ein geschäftsrelevantes Thema handelt. Ansätze hierzu liegen aber sowohl in der Optimierung der eigenen Prozesse als auch im Erhalt und in der Erweiterung der Produktinnovationsführerschaft.

Mit dem Ziel, eine erste Hilfestellung zur betriebswirtschaftlichen Einschätzung und Relevanz von Machine Learning zu ermöglichen, um eine eigene Herangehensweise und Strategiedefinition zu ermöglichen, hat der VDMA einen „Machine Learning Quickguide“ herausgegeben. Dieser soll bei einer strukturierten Chancen-, Nutzen- und Risikobetrachtung helfen. Beispiele tragen dazu bei, die einzelnen Aspekte in einen betriebswirtschaftlichen Kontext zu bringen. jbi

Autor: Burkhard Röhrig ist Geschäftsführer bei Gfos.

Lesen Sie auch: Process Mining – in vier Schritten erfolgreich einführen