Künstliche Intelligenz

IBM-Beispiele zeigen KI in der Produktion

Fotolia_178234211_Subscription_XXL_(2)_(2).jpg
Grundlage für den Einsatz von Künstlicher Intelligenz im Manufacturing sind die enormen Fortschritte im Deep Learning, das sich an der spezifischen Arbeitsweise des Gehirns orientiert und ein dicht verwobenes Netz aus einfachen Nervenzellen simuliert Bild: ustas/fotlia.com
Anzeige

Längst ist der Einsatz von Künstlicher Intelligenz in Manufacturing keine Zukunftsmusik mehr. Laut einer im Mai 2018 veröffentlichten Studie von IDC haben gut ein Viertel der befragten Unternehmen in Deutschland bereits KI-Projekte umgesetzt. 69 % wollen in den nächsten 12 Monaten neue KI-Initiativen anstoßen. In diesem Beitrag erfahren Sie, wie sie auf ganz unterschiedlichen Ebenen und für ganz verschiedene Aufgaben in Betracht kommt. Das zeigen die Anwenderbeispiele des Unternehmens IBM.

Plamen Kiradjiev, Industrie 4.0 Chief Architect, IBM DACH Region

1. Qualitätsüberwachung mit einem KI-basierten Digital Twin
2. Intelligente Bild- und Geräuschanalysen
3. Verwendung Classifier- und Machine Learning-Algorithmen
4. Predictive Quality für Mettler Toledo
5. Fazit: KI in Manufacturing keine Zukunftsmusik mehr

Die spezifischen Vorteile der Künstlichen Intelligenz (KI) für Manufacturing liegen darin, strukturierte und unstrukturierte Daten aus den Produktionsprozessen gleichermaßen verarbeiten und interpretieren zu können. Damit liefern sie einen entscheidenden Beitrag zu deren Optimierung: KI-basierte Systeme sind in der Lage, Muster und Auffälligkeiten zu identifizieren, Probleme automatisch zu erkennen, rechtzeitig vor ihnen zu warnen, Vorschläge für deren Beseitigung zu machen oder – im besten Fall – sie gleich selbst zu beheben.

Grundlage für diese Entwicklung sind die enormen Fortschritte im Maschine- und Deep Learning. Damit ist die grundsätzliche Fähigkeit von Computern gemeint, dank gestiegener Rechenleistungen große Mengen an strukturierten und unstrukturierten Daten mit hoher Geschwindigkeit auswerten zu können. Wobei Deep Learning sich darüber hinaus an der spezifischen Arbeitsweise des Gehirns orientiert: Es simuliert ein dicht verwobenes Netz aus einfachen Nervenzellen. Diese künstlichen neuronalen Netzwerke lernen wie ihr natürliches Vorbild aus der Erfahrung, indem sie die Stärke der simulierten Neuronen-Verbindungen anpassen und damit Verknüpfungen und Knotenpunkte generieren. Damit lernen sie, Sprache, Bilder oder Geräusche zu interpretieren.

Qualitätsüberwachung mit einem KI-basierten Digital Twin

SmartFactory KL ist ein Industrie 4.0-Demonstrator, der als erstes Szenario seiner Art eine herstellerübergreifende Industrie 4.0-Produktionslinie repräsentiert. IBM gehört zu den Schlüsselpartnern der ersten Stunde, zuständig für die Erhebung, Analyse und Verteilung der Maschinendaten. Der Demonstrator arbeitet mit Analytik- und IoT-Technologien des Unternehmens sowie intelligenten Watson KI-Services, die im Rahmen eines Multicloud-Szenarios aus der IBM Cloud zur Verfügung gestellt werden. Die intelligente, integrierte Datenauswertung mittels eines KI-basierten digitalen Zwillings beim SmartFactory-KL-Demonstrator erlaubt es zu jedem Zeitpunkt, Informationen über den Produktionsprozess, die Produktqualität sowie über den Zustand der Gesamtanlage zu bekommen. Und da die Daten für jedes einzelne Modul, die in der Cloud ausgewertet werden, auch separat betrachtet werden können, liefert der Ansatz bereits zu einem sehr frühen Zeitpunkt unter anderem Indizien für die Qualität der einzelnen Produktionsschritte und somit Hinweise auf möglichen Wartungs- oder Nachjustierungsbedarf. Diese KI-basierten Insights sind damit der Schlüssel für ein effektives und vorausschauendes Qualitätsmanagement.

Ein weiteres Beispiel ist die intelligente Auswertung von Bildaufnahmen im Produktionsumfeld. Die IBM Watson IoT-Plattform bietet mit „Visual Insights“ einen derartigen Service. Nach einem entsprechenden Training, bei dem das System anhand von Fotos lernt, wie eine Maschine oder ein Produkt auszusehen hat und welche Abweichungen auf welche Probleme hindeuten, können sehr viel schneller und gezielter Maschinen-, Produktions- oder Produktfehler identifiziert und klassifiziert werden. Positiver Nebeneffekt: Watson Visual Insights lernt durch entsprechendes Feedback des Werkers oder Inspektors beständig dazu und verbessert damit kontinuierlich die Erkennungsleistung. Tests in der Qualitätsprüfung haben beispielsweise ergeben, dass bei einem acht Tage dauernden Produktionszyklus bis zu 80 % der ursprünglich für die Prüfung veranschlagten Zeit eingespart werden konnte. Ähnliches gilt für die Beurteilung von Geräuschen: Auch hier bieten KI-basierte Systeme Unterstützung bei der Fehlersuche. Mit einem spezifischen Akustik-Modul kann beispielsweise Watson KI Geräusche analysieren. Erkennt das System Abweichungen vom Normalton, werden automatisch Benachrichtigungen per Sprache oder Bild gegeben.

Intelligente Bild- und Geräuschanalysen

Ein Beispiel für den Einsatz von Watson Visual Insights ist die automatische Überprüfung des Einbaus eines spezifischen Bauteils in den Fahrzeugen eines großen deutschen Automobilherstellers, die für den US-Export bestimmt sind. Die entsprechenden Qualitäts-Überprüfungsprozesse werden momentan noch mit Unterstützung zahlreicher Kameras manuell durchgeführt. In einem Pilotprojekt wird nun getestet, welche Hilfe die Nutzung Künstlicher Intelligenz bringen kann. Konkret geht es dabei um die Frage, ob Abdeckungen für die Lichtweiteneinstellung, die in den USA vorgeschrieben sind, ordnungsgemäß im Auto verbaut wurden.

Die spezifische Herausforderung bei der Überprüfung ist, dass die Abdeckungen unterschiedliche Formen haben, oft in der gleichen Farbe wie ihre Träger sind, und damit meist schwer von ihnen zu unterscheiden. Zusätzlich wird der Qualitätscheck dadurch erschwert, dass die Abdeckungen je nach Blickwinkel kaum zu erkennen sind. Die intelligente Bilderkennung und -analyse erleichtert diesen Prozess nun ganz erheblich: Mit ihrer Hilfe werden die verbauten Lichtabdeckungen nun auch aus ganz unterschiedlichen Blickwinkeln heraus schnell und zuverlässig erkannt. Watson hat dabei auch keine Probleme mit unterschiedlichen Lichtverhältnissen, denn sie werden für eine schnelle, präzise Analyse automatisch angepasst. Zudem kommt das System insgesamt mit wesentlich weniger hochauflösenden Kameras aus.

Verwendung Classifier- und Machine Learning-Algorithmen

Um das zu erreichen, wurde Watson zunächst mit Bildern unterschiedlicher Abdeckungen gefüttert, wobei ihm die jeweiligen Unterscheidungsmerkmale „erklärt“ – sie also klassifiziert wurden. Watson Visual Recognition verwendet hierfür verschiedene, sogenannte Classifier- und Machine Learning-Algorithmen. Dieses Vorgehen zeigte schnell Wirkung: Watson schaffte es innerhalb kurzer Zeit mit einer Treffgenauigkeit von rund 95 Prozent, die verbauten, unterschiedlichen Deckel zu erkennen. Gleichzeitig lernt das kognitive KI-System auch hier durch das Feedback der Inspektoren beständig dazu und verbessert damit kontinuierlich seine Erkennungsleistung.

Ein anderes Beispiel ist die Ausstattung von Industrierobotern mit intelligenten Werkzeugen. Auf der Hannover Messe 2018 hat IBM einen Mitsubishi Industrieroboter präsentiert, der im konkreten Fall Bilder und Geräusche von Fertigungsaktivitäten in Kombination mit entsprechenden Sensordaten des Roboters simultan erfassen kann und mit unterschiedlichen KI-basierten Werkzeugen auswertet. Dazu gehören unter anderem die bereits erwähnte Watson Visual Insights sowie intelligente Geräuschanalysen.

Predictive Quality für Mettler Toledo

Ein weiterer Anwendungs-Case im Bereich Predictive Quality und Maintenance im Kontext der bereits erwähnten SmartFactory, ist die KI-basierte Datenanalyse bei der Herstellung von Präzisionswaagen des Herstellers Mettler Toledo. Das Problem: Externe Faktoren wie Vibration, Temperatur oder sogar ein einzelner Luftzug können die Genauigkeit der Waage beeinträchtigen und damit zu verzerrten Messergebnissen führen. Auf der anderen Seite zeigen die Messergebnisse etwaige Qualitätsprobleme beim Endprodukt an. Im konkreten Fall werden nun die an der Präzisionswaage gesammelten Qualitäts-, Gewichts- und Schwingungsdaten in Echtzeit in die IBM Cloud übertragen, in der mit Hilfe eines eigens für Mettler Toledo entwickelten Machine-Learning-Modells analysiert wird, ob die Präzision der Messung und hiermit die Beurteilung der Produktqualität zuversichtlich und ungestört sind. Besteht die Gefahr, dass die Waage falsche Ergebnisse liefern könnte oder die Messergebnisse von der Norm abweichen, wird automatisch der Produktionsverantwortliche informiert. Hiermit kann Mettler Toledo seinen Kunden Aufwand und Kosten im Falle einer möglichen „Blindfahrt“ bei der Qualitätssicherung, im Extremfall bis zur Geltendmachung etwaiger Qualitätsansprüche ersparen.

Fazit: KI in Manufacturing keine Zukunftsmusik mehr

Die Beispiele zeigen: Der Einsatz von Künstlicher Intelligenz in Manufacturing ist keine Zukunftsmusik mehr. Sie kommt auf ganz unterschiedlichen Ebenen und für ganz verschiedene Aufgaben in Betracht – doch sie wird nicht die menschliche Urteilskraft und Erfahrung ersetzen können. eve

www.ibm.com

Details zu IBM Watson: hier.pro/wtxYu

Anzeige

Emerson: Pneumatik 4.0

Smartenance

Pneumatik 4.0 bei Emerson im Überblick

Video aktuell

Step into the state-of-the-art Samsung Audio Lab to see how they develop loudspeakers, soundbars, and other audio products using multiphysics simulation.

Aktuelle Ausgabe

Titelbild KEM Konstruktion Entwicklung Management S6
Ausgabe
S6.2019
LESEN
ARCHIV
ABO

Newsletter

Jetzt unseren Newsletter abonnieren

Top-Thema Spannvorrichtungen

Spannvorrichtungen

Alles über Spannvorrichtungen und welches Einsparungspotenzial sie bieten

Top-Thema Schaltschränke

Alle Infos über den Schaltschrankbau mit seinen Komponenten, Geräten und deren Verdrahtung

Kalender

Aktuelle Termine für Konstrukteure

Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Hier finden Sie aktuelle Whitepaper

Anzeige
Anzeige

Industrie.de Infoservice

Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de