Die Einführung von Industrie 4.0 im Jahr 2011 und der damit einhergehende digitale Wandel führten zu einem Zustrom neuer Technologien zur Optimierung traditioneller Prozesse in der Fertigungsindustrie. Künstliche Intelligenz, die vor allem in der Informatik und im Software-Engineering eingesetzt wurde, hielt auch in der Fertigungsindustrie Einzug, denn um die "Lights-Out-Fabrik" zu erreichen, müssen Fertigungsanlagen zu eigenständig denkenden Menschen werden.
Die "Lights-Out-Fabrik" wurde geprägt, um die von der Industrie 4.0 betriebene Anlage zu beschreiben, in der menschliche Bediener auf ein Minimum reduziert sind, während automatisierte Prozesse stattfinden. Die Ausstattung von Anlagen mit KI soll es ihnen beispielsweise ermöglichen, Fehler zu diagnostizieren und Ersatzteile zu bestellen oder einen Wartungstermin zur Behebung von Defekten zu vereinbaren.
Heute wird KI im gesamten Fertigungssektor eingesetzt, um mehrere Industrie 4.0-Initiativen zu unterstützen. Diese Initiativen umfassen die wichtigsten Industrie 4.0-Geschäftsmodelle oder -konzepte, die in dem offiziellen Proof-of-Concept-Dokument vorgestellt werden, das von dem Gründerteam deutscher Ingenieure entwickelt wurde.
Um die Vorteile und Anwendungsfälle von KI in der Fertigungsindustrie aufzuzeigen, ist eine kurze Erläuterung der wichtigen Industrie 4.0-Geschäftsmodelle erforderlich, die sie unterstützen. Zu diesen Geschäftsmodellen gehören:
Die Umsetzung dieser 4 Industrie 4.0-Geschäftsmodelle kann die Fertigungsprozesse verbessern und zu Umsatzsteigerungen führen, wie Statistiken zeigen. Eine Deloitte-Studie unterstreicht die Tatsache, dass vorausschauende Wartungsstrategien ungeplante Ausfallzeiten um bis zu 70 % reduzieren können.
Die Umsetzung von Industrie 4.0-Geschäftsmodellen unter Verwendung disruptiver Technologien ermöglicht es Unternehmen auch, sich zu schützen und innovative Lösungen für traditionelle Fertigungsprobleme zu verfolgen. 56 % der Führungskräfte beabsichtigen, Industrie 4.0-Geschäftsmodelle zu implementieren, um ihre Betriebe vor externen Störungen zu schützen, während 33 % sie als disruptive innovative Kraft nutzen wollen. Unabhängig von der Wahl der Anwendung ermöglicht der Einsatz von KI die Entwicklung von Industrie 4.0-Geschäftsmodellen, die Ihren Unternehmens- und Betriebszielen entsprechen.
Beginnend mit der datengesteuerten Anlagenoptimierung bietet KI die Unterstützung, die datenproduzierende Anlagen benötigen, um kontextbezogene Erkenntnisse aus den erfassten Daten zu gewinnen. Der kontextbezogene Einblick, den die Datenanalyse bietet, wird für die Entscheidungsfindung sowohl von Führungskräften als auch von Anlagen benötigt, die für die Automatisierung vorbereitet sind. Mit KI können datenproduzierende Quellen Situationen in Echtzeit analysieren, um die richtigen Entscheidungen zu treffen, die zu einer optimierten Anlage führen.
So nutzt beispielsweise ein automatisierter mobiler Roboter (AMR), der in der Lage ist, sich ohne vorinstallierte Magnetspuren in den Werkshallen zu bewegen, die KI. Der Roboter erfasst Daten über das Layout der Werkshalle in Echtzeit und wendet maschinelles Lernen an, um die Daten zu analysieren und Maßnahmen in Echtzeit zu ergreifen. Aus diesem Grund können AMRs maschinelles Sehen anwenden, um Hindernissen auszuweichen, während sie durch die Fabrikhalle navigieren. In diesem Fall werden die Daten analysiert, die Materialien gelangen schnell zu den Arbeitsplätzen, und die Materialien werden in einem Stück geliefert. Das ist es, was datengesteuerte Industrie-4.0-Modelle zur Anlagenoptimierung erreichen wollen.
Umfassende Predictive-Maintenance-Strategien, die fortschrittliche Industrie 4.0-Standards erfüllen, beschränken sich nicht auf die Erstellung eines optimierten Wartungsplans. Damit die Lights-Out-Fabrik optimal funktionieren kann, müssen die Produktionsanlagen in der Lage sein, Entscheidungen wie die Bestellung von Ersatzteilen und die Planung von Wartungsarbeiten ohne menschliche Unterstützung zu treffen.
Die Verbesserung der analytischen Fähigkeiten von Produktionsanlagen durch die Implementierung von KI und Deep-Learning-Funktionen stellt sicher, dass die Anlagen auf umfangreiche Datenbestände zugreifen können, um optimale Entscheidungen zu treffen.
Die Validierung und Erprobung neuer Ideen vor der Umsetzung stellt sicher, dass kostspielige Industrie 4.0-Strategien bewertet werden, um Ressourcen- und Kapitalverschwendung zu vermeiden. Technologien wie Simulationsmodellierungssoftware sind Lösungen für die digitale Transformation, die eine wichtige Rolle bei der Validierung von Ideen spielen. Diese Technologien setzen KI in verschiedenen Formen ein. Beispiele hierfür sind die Nutzung von KI zur Automatisierung der Entwicklung genauer Simulationsmodelle durch nichttechnische Endnutzer von Simulationssoftware und die Entwicklung intelligenter agentenbasierter Einheiten zur Verbesserung der Simulationsergebnisse.
Die Wartung von Fertigungsanlagen ist für die Originalhersteller (OEMs) von schweren Geräten zu einer Einnahmequelle geworden. OEMs, die sich dafür entscheiden, Endnutzern teure Maschinen über Abonnementgebühren anzubieten, nutzen die Vorteile einer fortschrittlichen Serviceleistung, um weitere Einnahmequellen zu erschließen.
Die Geräte, die an Machine-as-a-Service-Abonnementplänen beteiligt sind, müssen optimal funktionieren, um die Anforderungen der verschiedenen Endnutzer zu erfüllen. OEMs nutzen KI zur Analyse von Endnutzerdaten, um optimierte Nutzungspläne zu entwickeln, die sicherstellen, dass eine bezahlte Stunde eine optimierte Stunde ist. Mit Hilfe von Benchmark-Daten und KI-gestützten Maschinenaufforderungen können die Abonnenten so den größtmöglichen Nutzen aus den abonnierten Maschinen ziehen.
Für die theoretische Anwendung von KI zur Unterstützung von Industrie 4.0-Initiativen in der Fertigungsindustrie gibt es entsprechende Beispiele aus der Praxis, die hier untersucht werden sollen. Diese Anwendungsfälle reichen von der Nutzung von KI zur Optimierung der Anlagenleistung bis hin zur Implementierung von vorausschauenden Wartungsstrategien.
Schneider Electric implementiert vorausschauende Wartung mit KI - Schneider Electric, ein in Paris ansässiger Hersteller von Lösungen zur Optimierung industrieller Abläufe, hatte eine IoT-Lösung und -Strategie zur Überwachung und Konfiguration von Stabpumpen entwickelt, die in der Öl- und Gasindustrie eingesetzt werden. Die IoT-Lösungen stellten sicher, dass Öl- und Gasunternehmen Offshore-Aktivitäten aus der Ferne konfigurieren und überwachen konnten, ohne Techniker zur Überwachung der Prozesse schicken zu müssen.
Die Herausforderung - Schneider Electric wollte den Anwendern seiner IoT-Überwachungslösung Realift fortschrittliche Funktionen zur Verfügung stellen, wie z. B. die Möglichkeit, Probleme mit Stangenpumpen und anderen Vorgängen vorherzusagen, bevor es zu Ausfällen kommt.
Die Lösung - Das Unternehmen nutzte die Möglichkeiten des maschinellen Lernens, die Azure Machine Learning von Microsoft bietet, um die Fähigkeiten seiner Realift-Lösung zu verbessern. Mit den KI-Funktionen der IoT-Lösung erhielt das Öl- und Gasunternehmen die Werkzeuge, um Ausfälle genau vorherzusagen und Pläne zur Schadensbegrenzung zu entwickeln.
Optimierung der Materialhandhabung mit Cobots - Die Optimierung von Materialhandhabungssystemen stellt sicher, dass Hersteller und Lagereinrichtungen Unfälle in der Produktion reduzieren und gleichzeitig den Materialfluss optimieren. XPO Logistics, ein Unternehmen im Bereich der Lagerhaltung, hatte mit der Optimierung seiner Materialtransportprozesse zu kämpfen.
Die Herausforderung - Herkömmliche Materialflusssysteme können aufgrund der manuellen Arbeit, die mit dem Transport von Materialien in der Fertigung verbunden ist, ineffizient sein. Die transportierten Materialien erreichen die Arbeitsstationen manchmal verspätet und mit Mängeln.
Die Lösung - XPO Logistics wandte sich an Cobots, einen Materialhandhabungsroboter, der KI nutzt, um den Kommissionier- und Materialhandhabungsprozess zu automatisieren. Mit Cobots war XPO logistics in der Lage, den Materialumschlag zu verbessern und Just-in-Time-Lieferungen durchzuführen, die die Kundenzufriedenheit erhöhen.
Meister Group setzt KI ein, um visuelle Inspektionsstrategien zu entwickeln - Die Inspektion von Fertigprodukten vor der Auslieferung an den Endverbraucher ist ein wichtiger Aspekt der Markteinführungspläne in der Fertigung. Richtige Inspektionsstrategien reduzieren Rückrufe und die damit verbundenen finanziellen Kosten.
Die Herausforderung - Die Meister Group, ein belgischer Hersteller von Automobilteilen, verarbeitet Millionen von Teilen, die an Unternehmen der Automobilindustrie verkauft werden. Der traditionelle Prozess der Teileinspektion ist manuell, repetitiv und zeitaufwändig, so dass fehlerhafte Teile manchmal nicht in die Produktion gelangen können.
Die Lösung - Die Meister Group entschied sich für eine KI-fähige Sensorkamera, um ihren Prüfprozess zu automatisieren. Die Cognex In-sight 1000 Kamera nutzt einen visuellen Sensor zur Inspektion der produzierten Teile und vergleicht die erfassten Daten mit Benchmark-Daten, bevor dem inspizierten Teil ein Status zugewiesen wird. Mit dem KI-gesteuerten visuellen Sensor kann das Unternehmen Tausende von Teilen an einem Tag genau prüfen.
Siemens Gamesa nutzt KI, um die Inspektionszeiten zu verbessern - Siemens Gamesa stellt Turbinenschaufeln her, um die erneuerbaren Lösungen zu unterstützen, die das Unternehmen seinen Kunden anbietet. Um die Vorteile seiner Lösungen für erneuerbare Energien nutzen zu können, müssen Komponenten wie Turbinenschaufeln so hergestellt werden, dass sie optimal funktionieren.
Die Herausforderung - Siemens Gamesa benötigte ein Verfahren zur Inspektion seiner Schaufeln während der Fertigung und zur Überwachung der eingesetzten Schaufeln. Mit über tausend Turbinenschaufeln in seinem Zuständigkeitsbereich benötigte das Unternehmen ein automatisiertes Inspektionsverfahren, um den Überwachungsprozess durchzuführen.
Die Lösung - Siemens Gamesa suchte ein KI-gestütztes, fortschrittliches Bilderkennungssystem, das in der Lage ist, Bilder von Turbinenschaufeln zu erfassen und sie mit historischen Daten zu vergleichen. Die Prüfung der Datenanalyse lieferte Details darüber, welche Schaufeln in Echtzeit gewartet werden mussten.
Minderung der Auswirkungen von Unterbrechungen in Öl- und Gaspipelines mithilfe von KI - Unterbrechungen in Öl- und Gaspipelines führen zu ungeplanten Ausfallzeiten und beeinträchtigen das Serviceniveau, das Unternehmen den Endverbrauchern in der Branche bieten. Das Verständnis der Auswirkungen von Unterbrechungen und erhöhter Nachfrage bildet die Grundlage für die Entwicklung von Lösungen zur Abschwächung dieser Auswirkungen.
Die Herausforderung - Das Öl- und Gasunternehmen war daran interessiert, zu verstehen, wie sich eine erhöhte Nachfrage und Ausfälle auf seine Fähigkeit auswirken können, die Nachfrage seiner Kunden zu befriedigen. Die Abschwächung dieses Risikos würde seine Einnahmen schützen und die Dienstleistungen für seine Kunden verbessern.
Die Lösung - Das Unternehmen erstellte ein digitales Zwillingsmodell, das verschiedene Eingänge und Ausgänge der Hauptlinie in Batch-Reihenfolge nach dem FIFO-Prinzip (first in - first out), geplante Wartungsarbeiten und zufällige Serviceverlangsamungen oder Ausfallereignisse berücksichtigte. Der digitale Zwilling nutzte KI, um historische Daten zu analysieren. Der Kunde war in der Lage, die Ergebnisse der Modellszenarioanalyse zu nutzen, um zuversichtlich Empfehlungen für den Tankbedarf und die Betriebsphilosophie abzugeben, um das gewünschte Serviceniveau zu erreichen.
KI unterstützt die Umsetzung von Industrie 4.0-Geschäftsmodellen in der Fertigungsindustrie. Die obigen Anwendungsfälle geben einen Einblick, wie KI zusammen mit Lösungen für die digitale Transformation eingesetzt werden kann, um die Planung zu optimieren und komplexe betriebliche Herausforderungen zu lösen. Die Anwendungsfälle dienen auch als Inspiration für Fertigungsunternehmen, da sie die Tatsache hervorheben, dass KI auf vielfältige Weise genutzt werden kann, um Probleme zu lösen, die für Ihre Fertigungsnische typisch sind.