Künstliche Intelligenz zur Optimierung von Produktionsprozessen

Zentrales Element der Industrie 4.0 ist "eine Vernetzung von autonomen, sich situativ selbst steuernden, sich selbst konfigurierenden, wissensbasierten, sensorgestützten und räumlich verteilten Produktionsressourcen (Produktionsmaschinen, Roboter, Förder- und Lagersysteme, Betriebsmittel) inklusive deren Planungs- und Steuerungssysteme", zitieren Peter Liggesmeyer und Mario Trapp die "Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0", veröffentlicht 2013 von Forschungsunion und acatech – Deutsche Akademie der Technikwissenschaften.

Aus Sicht der Betriebssicherheit ergeben sich bei Verfolgung dieses Entwicklungsweges zahlreiche Herausforderungen, so die Springer-Autoren in "Handbuch Industrie 4.0 Bd.1": "Einerseits setzen Adjektive wie "autonom" oder "sich selbst konfigurierend" ein hohes Maß an (künstlicher) Intelligenz und Adaptivität der einzelnen Systeme voraus. Durch die Anforderung der flexiblen Vernetzung ergibt sich zudem die Herausforderung, dass sich zur Laufzeit dynamisch Systeme von Systemen ergeben, deren Struktur und Gesamtverhalten zur Entwicklungszeit der Einzelsysteme nicht oder nur schwer vorhergesagt werden können. Alles dies sind Faktoren, die zu sogenannten "Uncertainties" führen, also Eigenschaften, die sich nur schwer vorhersagen lassen und damit zu hohen Unsicherheiten in der Aussage über das zu erwartende Systemverhalten führen. Diese Unsicherheiten stehen im Widerspruch zur Sicherheitsnachweisführung, die zentral auf der Annahme eines deterministischen, vorhersagbaren Systemverhaltens beruht" (Seite 107).

KI-System zur Aktivitätserkennung bei Fertigungsarbeiten

Gleichwohl mehren sich Berichte über die Entwicklung industrietauglicher Anwendungen von Künstlicher Intelligenz (KI). So hat etwa das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) zusammen mit Hitachi eine KI-Technologie entwickelt, die in Echtzeit Arbeitshandlungen erkennen kann. Dies geschieht über die Blickverfolgung anhand einer Eyetracking-Brille, darauf aufsetzende Aufmerksamkeitsmessung sowie über Armband-Sensorik. Die hohe Erkennungsfähigkeit wird durch den Einsatz von Deep Learning-Technologien erreicht. Durch diese lernt das System die verwendeten Werkzeuge und Teile sowie die zu erwartenden Aktionen. Ziel dieser auf der diesjährigen CeBit vorgestellten Entwicklung ist es, den Menschen bei anspruchsvollen Tätigkeiten in der Fertigung zu unterstützen, dadurch Fehler zu vermeiden und so zur Steigerung von Qualität und Effizienz beizutragen, heißt es in einer Mitteilung des DFKI.

Lässt sich mit Künstlicher Intelligenz in der Produktion Energie sparen?

Wie lässt sich mithilfe Künstlicher Intelligenz künftig in der Produktion mehr Energie sparen? Diese Frage diskutierten Fachleute aus Wissenschaft, Wirtschaft, Politik und Verwaltung am 11. und 12. Oktober 2017 an der Universität Bremen. Die Wissenschaftler des Instituts für integrierte Produktentwicklung (BIK) und des BIBA – Bremer Institut für Produktion und Logistik sehen hier große Potenziale, die sie im Rahmen des Forschungsprojektes "KI unterstützte Plattform zur Assistenz von Produktionssteuerung zur Verbesserung der Energieeffizienz (KIPro)" ausloten.

Neues Werkzeug für das Personal in der Produktion

Das vom Bundesministerium für Wirtschaft und Energie (BMWi) geförderte Projekt KIPro läuft seit September 2015. Darin entwickeln die Wissenschaftler ein neues Werkzeug für das Personal in der Produktion. Aktuelle Energiemanagementsysteme erfassen ausschließlich die Energiedaten, stellen diese dar und ermitteln Kennzahlen zur Bewertung. Die Projektpartner nutzen dieses aufbereitete Wissen, um die Mitarbeiterinnen und Mitarbeitern mittels eines Werkzeuges gezielt bei der Wahl der Prozessparameter für eine energieeffiziente Produktion zu unterstützen. Dieses Tool basiert auf Künstlicher Intelligenz. Es erhöht die Transparenz des Energieeinsatzes, generiert automatisch Vorschläge und hilft damit bei der Entscheidungsfindung.

Testphase mit Anwendungsszenarien in Lebensmittel-, Futtermittel- und Recyclingindustrie

Derzeit läuft die Testphase anhand von drei Anwendungsfällen in der mittelständischen Wirtschaft. Betrachtet werden Szenarien in der Lebensmittel-, in der Futtermittel- und in der Recyclingindustrie. An dem Projekt sind Agrarfrost (Wildeshausen), das Austing Mischfutterwerk (Damme), mit unoTech (Niederlangen) und Sutco RecyclingTechnik (Bergisch Gladbach) zwei Unternehmen der L&M Group sowie SCHULZ Systemtechnik (Visbeck) beteiligt.