Die Einführung von Lean-Manufacturing-Modellen, Six Sigma, Heijunka und Initiativen zur digitalen Transformation haben alle eines gemeinsam: die Senkung der Betriebskosten zur Maximierung der Produktivität. Die erfolgreiche Umsetzung dieser kostensenkenden Modelle erfordert den Einsatz von transformativen technologischen Lösungen. Künstliche Intelligenz (KI) und ihre Untergruppe, die Neuronalen Netze (NN), geben dem Industriesektor die Werkzeuge an die Hand, um die betriebliche Effizienz zu steigern, was zu erheblichen Kosteneinsparungen führt.
In der Fertigung verändert sich die Produktionslandschaft durch die Notwendigkeit, individuelle Kunden mit qualitativ hochwertigen, maßgeschneiderten Produkten zu versorgen. Bei Produktionslinien der Losgröße 1 muss der Hersteller beispielsweise komplexe Vorgänge wie Werkzeugwechsel und Arbeitsplatzabfolgen sowie deren Auswirkungen auf den gesamten Prozess berücksichtigen. Herkömmliche Simulationsmodelle, die Kapazitätspläne und Ressourcennutzung bewerten oder Wartungszeiten vorhersagen, sind daher bei der Bewertung von Batch-Size-1-Vorgängen wahrscheinlich überfordert.
Während also das herkömmliche Modell erfolgreich genaue vorausschauende Wartungsstrategien für Massenproduktionszyklen entwickeln kann, ist für kundenspezifische Produktionen ein anderer Ansatz erforderlich. Dieser Ansatz beinhaltet die Entwicklung komplexer Regeln oder Logik, um die dynamischen Aktionen von Arbeitsstationen, Geräten und Systemen der Losgröße 1 zu simulieren. Wird diese Komplexität nicht berücksichtigt, führt dies zu ineffektiven vorausschauenden Wartungsstrategien, Ausfallzeiten und erhöhten Betriebskosten.
Vereinfachung der Entwicklung komplexer Logik in Simulationsmodellen
Neuronale Netze bieten Herstellern einen rationellen Ansatz für die Erstellung komplexer Logikregeln in Simulationen und digitalen Zwillingsmodellen. Der NN-Algorithmus ist in der Lage, die dynamischen Variablen zu erfassen, die komplexe Produktionsanforderungen definieren, ohne dass der Konstrukteur Regeln für jede Variable erstellen muss.
Neuronale Netze automatisieren den Prozess der Logikerstellung, und ihre Genauigkeit hängt von der Schulung und Umschulung ab, die sie durchlaufen, um bessere Entscheidungen zu treffen. Die Automatisierung der Entwicklung komplexer Logik spart Zeit und verbessert die Entscheidungsfindung, was zu quantifizierbaren Kosteneinsparungen führt. Um auf das vorangegangene Beispiel zurückzukommen: Die Integration von NN in Simulationsmodelle von Produktionslinien der Losgröße 1 verbessert deren Auswertungsmöglichkeiten. Bei der Entwicklung eines Echtzeit-Planungsplans für kundenspezifische Produktionszyklen hilft NN beispielsweise bei der Vorhersage von Werkzeugwechseln, Arbeitsplatzrotationen und dem Montageprozess, um sicherzustellen, dass hochwertige kundenspezifische Artikel produziert werden. Durch den optimierten Produktionsprozess werden betriebliche Engpässe beseitigt und Kosten gesenkt.
Automatisierung von Entscheidungsfindungsprozessen
Die Implementierung von datengesteuerten Optimierungsprozessen ist entscheidend, um die Vorteile von Industrie 4.0 zu nutzen. Die digitale Transformation traditioneller Fertigungsprozesse löst bereits die Herausforderungen der Datenerfassung und -aggregation durch den Einsatz von APIs. Der Einsatz von Simulationsmodellen, des digitalen Zwillings und anderer Datenanalysetools löst die Herausforderungen bei der Gewinnung von Erkenntnissen aus erfassten Daten. Alles, was es noch zu erforschen und zu optimieren gilt, ist die Vereinfachung des Datenanalyseprozesses durch Automatisierung.
Neuronale Netze bieten dem Industriesektor eine robuste Lösung für die Automatisierung der Entscheidungsfindung an der Quelle. Die Integration von NN-Algorithmen in eine analytische Anwendung ermöglicht es beispielsweise, betriebliche Komplexität zu analysieren und Bewertungsergebnisse ohne menschliches Eingreifen zu liefern. Wenn Industrie 4.0, die intelligente Automatisierung und die Reduzierung menschlicher Eingriffe, erreicht werden soll, dann bietet die kontinuierliche Integration von NN einen Weg zur intelligenten Automatisierung.
Die erfolgreiche Automatisierung von Datenanalyseaufgaben bietet zwei entscheidende Vorteile für Industrieunternehmen. Erstens verringert sich die finanzielle Belastung, die mit der Einstellung mehrerer technischer Mitarbeiter für die Datenverwaltung verbunden ist, und zweitens werden die Datenanalyse und ihre Erkenntnisse sowohl für technische als auch für nichttechnische Mitarbeiter demokratisiert. Ein Beispiel ist der Einsatz der Software Simio zur Analyse von Daten aus komplexen betrieblichen Aktivitäten. Mit Simio können Nicht-Entwickler neuronale Netze erstellen, um komplexe Regeln oder Logik zu ersetzen, ohne dass sie Programmierkenntnisse oder -erfahrung haben müssen.
Open-Source-KI-Plattformen wie ONNX und das zugehörige Dateiformat geben Industrieunternehmen die Möglichkeit, vorhandene NN-Algorithmen zur Automatisierung bestimmter Arbeitsabläufe zu nutzen. Die intelligenten Automatisierungsfähigkeiten von NN und die Verfügbarkeit von Open-Source-Ressourcen verringern den Zeitaufwand für sich wiederholende Aufgaben und verbessern die betriebliche Effizienz – was zu geringeren Betriebskosten führt.
Verbesserung intelligenter Systeme
Bei der vierten industriellen Revolution geht es um die Entwicklung hochfunktionaler cyber-physischer Räume, die das menschliche Eingreifen begrenzen. Trotz der bewundernswerten Meilensteine, die bei der Umsetzung transformativer Lösungen erreicht wurden, werden in vielen Fällen die endgültigen Entscheidungen von Menschen getroffen. So sendet beispielsweise ein digitaler Zwilling, der ein digitales Spiegelbild physischer Systeme ist, immer noch Benachrichtigungen an den Benutzer und fordert ihn auf, Maßnahmen zu ergreifen. Aber im eigentlichen Sinne der Automatisierung bedeutet vollständige Automatisierung, dass das intelligente System oder der digitale Zwilling in der Lage sein sollte, wichtige Entscheidungen zu treffen, ohne den Benutzer zu informieren.
Es ist wichtig zu beachten, dass der Puffer, den ein Meldeverfahren einrichtet, dazu dient, die Sicherheit und die Verantwortlichkeit in den Betrieben zu gewährleisten. Die Befürchtung, dass ein System Daten aus dem Betrieb falsch interpretieren könnte, bedeutet, dass eine Aufsichtsperson vorhanden sein muss, die die Verantwortung für die Handlungen des Systems übernimmt. Die Fähigkeit, neuronale Netze konsequent zu trainieren, um ihre Genauigkeit bei der Situationsbewertung zu verbessern, könnte das letzte Glied auf dem Weg zur vollständigen Automatisierung sein, um diese Befürchtungen zu zerstreuen.
Neuronale Netze werden sowohl mit historischen als auch mit aktuellen Daten trainiert, was die Fähigkeit des Systems verbessert, in Echtzeit genaue Schlussfolgerungen zu ziehen. Intelligente Systeme werden daher von einem iterativen Analyseprozess profitieren und man kann ihnen zutrauen, dass sie von der Bereitstellung von Benachrichtigungen zur Ergreifung von Maßnahmen übergehen.