Künstliche Intelligenz auf dem Weg zur Industriereife

Um Methoden der Künstlichen Intelligenz in der industriellen Produktion anwenden zu können, müssen hochwertige Daten als Grundlage vorliegen. Aber es gibt noch eine weitere Herausforderung, die sich Entwicklern und Forschern stellt. 

×

Das Hochtechnologieunternehmen Trumpf mit Hauptsitz in Ditzingen und das Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA) aus Stuttgart haben bis zum Jahr 2025 eine Forschungskooperation vereinbart, deren Ziel es ist, Lösungen für die vernetzte Fertigung mit Künstlicher Intelligenz (KI) zur Industriereife zu bringen. "Trumpf möchte seine führende Stellung bei KI in der Blechfertigung weiter ausbauen. Deshalb investieren wir heute schon in Zukunftstechnologien, die Unternehmen zu großen Effizienzgewinnen verhelfen und ihre Wettbewerbsfähigkeit steigern", sagte Thomas Schneider, Geschäftsführer Entwicklung bei Trumpf Werkzeugmaschinen Ende Juli bei der Bekanntgabe der Kooperation.

Es gilt, einen Datenschatz zu heben: Maschinen in der Produktion generieren über ihre Sensoren oft eine große Menge an Daten wie etwa Temperatur, Druck oder Geschwindigkeit: Big Data. Bislang werden diese Daten allerdings noch kaum systematisch genutzt, um den Produktionsprozess zu verbessern oder Voraussagen über die Qualität eines Produkts machen zu können. "Hier bieten sich offensichtlich maschinelle Lernverfahren an, um Abhilfe zu schaffen", erläutert Gerhard Lakemeyer im "Handbuch Industrie 4.0: Recht, Technik, Gesellschaft", gibt aber zu bedenken, dass es dabei Hürden zu überwinden gilt: "Ein Problem liegt darin, dass die erfolgreichsten Lernverfahren beschriftete Daten (labelled data) benötigen. Eine Beschriftung könnte zum Beispiel darin bestehen, dass ein Datensatz annotiert wird, ob bzw. inwieweit das erzeugte Produkt die vorgegebenen Qualitätskriterien erfüllt. Mit Hilfe einer großen Anzahl solcher annotierten Datensätze könnte etwa ein neuronales Netz erlernen, welche Parametereinstellungen der Maschine zu Produkten mit hoher Qualität führt, eine Aufgabe, die bislang in der Regel menschliche Operateure mit ihrem Expertenwissen erledigen" (Seite 827).

Ein zentrales Anliegen der Forschungspartnerschaft von Trumpf und Fraunhofer IPA ist es deshalb, die Erklärbarkeit von KI zu verbessern – also die Arbeitsweise von neuronalen Netzen nachvollziehbar zu machen. "Schließlich sind die erfolgreichsten Lernverfahren wie die neuronalen Netze (Deep Learning) sogenannte Blackbox-Verfahren, d. h. sie sind nicht in der Lage einem menschlichen Benutzer zu erklären, warum eine bestimmte Voraussage zustande gekommen ist", argumentiert auch Springer-Autor Gerhard Lakemeyer. Dies könne im Einzelfall hinnehmbar sein, aber um Vertrauen in die Entscheidungen einer Maschine zu haben, sei es wichtig, die Gründe nachvollziehen zu können. Dies gelte besonders dann, wenn es zu Fehlentscheidungen kommen könne, die eventuell katastrophale Auswirkungen haben. Auf dem Gebiet der Explainable Artificial Intelligence (XAI) wird seit einigen Jahren intensiv geforscht. In "Adaptive Instructional Systems" stellen Robert Thomson und Jordan Richard Schoenherr zum Beispiel ab Seite 187 einen adaptiven Ansatz für erklärbare künstliche Intelligenz vor. Auch für die Blechfertigung sind solche Ergebnisse von großem Nutzen, ist das zurzeit zehnköpfige gemeinsame Entwicklerteam von Trumpf und IPA überzeugt. Die Ergebnisse der Datenauswertung könnten die Qualität der Produktion steigern sowie Kosten und Zeit sparen.

KI-Lösung ersetzt Begleitpapiere

Die Zusammenarbeit der Forschungspartner aus Ditzingen und Stuttgart zur digitalen Fertigung startete bereits 2015; erste Ergebnisse stehen offenbar vor der Marktreife. Hierzu zählt das Assistenzsystem "Sorting Guide", das Mitarbeiter beim Sortieren von lasergeschnittenen Blechbauteilen unterstützen soll. Wie in einer Animation demonstriert, erkennt die KI-Lösung den Entnahmevorgang und stellt dem Werker automatisch alle notwendigen Informationen für die Intralogistik zur Verfügung. So stellt es zusammengehörende Blechteile in verschiedenen Farben übersichtlich dar, etwa anhand des Auftrags, des Kunden oder des nachfolgenden Bearbeitungsschritts. Auf diese Weise, so der Hersteller Trumpf, ersetzt die Lösung Begleitpapiere, spart Zeit und hilft, Fehler zu vermeiden. 

Finden statt Suchen

Auch ein Trackingsysteme zur Verbesserung der Datenqualität aus einer weitgehend automatisierten Bewegungsdatenerfassung ist schon aus dieser Zusammenarbeit von Wissenschaft und Industriepraxis hervorgegangen: Das System "Track & Trace" verfolge den Produktionsweg auftragsgenau, ersetze so die manuelle Buchung durch den Mitarbeiter – und verbessere die Datenqualität deutlich, so die Forschungspartner von Trumpf und IPA. Erst ein solcher Ansatz schaffe die Grundlagen für eine verbesserte PPS und weise den Weg in Richtung einer selbststeuernden Produktion.

Smart Factory

"Seit Jahren arbeitet Trumpf mit uns gemeinsam am Thema vernetzte Produktion, weil das Unternehmen – ebenso wie wir – die Entwicklungen rund um Industrie 4.0 als große Chance erkennt. Die nächsten Jahre werden deshalb so spannend sein, weil sie alles entscheiden. Wir erwarten, dass die Corona-Pandemie hier wie ein Katalysator wirkt: Diejenigen, die vorbereitet sind, werden die sich daraus ergebenden Opportunitäten massiv nutzen können. Nun wird sich also auch zeigen, ob wir uns mit den Arbeiten in den gemeinsamen Projekten gut für die Zukunft vorbereitet haben", fasst Thomas Bauernhansl, Leiter des Fraunhofer IPA, die Herausforderung der jetzt erneuerten Forschungskooperation zusammen.