EMO 2023 – Weltleitmesse für Produktionstechnologie.

Ausgabe 08 | 2023

Künstliche Intelligenz macht Fabriken clever

Verein Deutscher Werkzeug­maschinenfabriken e.V. (VDW)

Als Weltleitmesse der Produktionstechnologie zielt die EMO Hannover vom 18. bis 23. September darauf ab, alle wichtigen Themen rund um die industrielle Wertschöpfungskette zu thematisieren, den Stand der Technik zu präsentieren und Szenarien für die künftige Entwicklung aufzuzeigen. Die Schweiz gehört mit fast 100 Ausstellern auf über 7600 m2 zu den Top-5-Ländern.

Seit dem Siegeszug des Chatbots ChatGPT ist KI in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit grossen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das erfahren Sie auf der diesjährigen EMO Hannover. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim «Innovate Manufacturing.» mit frischen Ideen inspirieren und KI spielt dabei ihre Stärken aus.
Können sich Produktionsmaschinen aus eigener Kraft optimieren? Können sie aus ihren Fehlern lernen? Und können sie sich sogar Know-how von anderen Maschinen aneignen? Mit KI ist all das möglich. Wenn lernende Produktionsmaschinen clever arbeiten, dann führt das zu höherer Produktivität, geringeren Kosten, verbesserter Qualität und geringeren Ausfallzeiten.
«Wir haben lange an der Optimierung unserer Prozesse in der Produktionstechnik gearbeitet und hier einen Wettbewerbsvorteil erzielt, den wir nun auch in der digitalen Transformation der industriellen Produktion erreichen sollten», erklärt Markus Spiekermann, Abteilungsleiter Datenwirtschaft beim Fraunhofer-Institut für Software- und Systemtechnik ISST. Um den neuen Anforderungen zu begegnen, spiele KI eine «massgebliche Rolle», so Markus Spiekermann. «Denn nur durch den Nutzen von KI-Methoden kann ein hoher Grad an Automatisierung erreicht werden.»

Vorausschauende Wartung für Drehmaschinen
In der Industrie ist der Trend zur KI angekommen. Der Werkzeugmaschinenbauer J.G. Weisser Söhne GmbH & Co. KG beispielsweise setzt auf KI-Modelle, die vorausschauende Wartung von Drehmaschinen ermöglichen.
«Bei der vorausschauenden Wartung wird mithilfe von KI prognostiziert, wann ein Wartungsbedarf an einer Maschine entstehen wird, bevor es zu einem Ausfall kommt», erklärt Dr.-Ing. Robin Hirt, Geschäftsführer und Gründer des Karlsruher Start-ups Prenode GmbH. Das Softwareunternehmen unterstützt Maschinenbauer dabei, Anlagen mit kundenspezifischen KI-basierten Features auszustatten.
Moderne Produktionsmaschinen können sich mithilfe KI selbst optimieren, sagt Robin Hirt. «Sie nutzen dazu in der Regel sogenannte Machine-Learning-Methoden, die es ihnen ermöglichen, Muster und Zusammenhänge in den Produktionsdaten zu erkennen und daraus automatisch Verbesserungen abzuleiten.» Auch das Lernen aus Fehlern und die Übernahme des Know-hows von anderen Maschinen sei so in vielen Fällen möglich.

Dezentrale Daten trainieren ein gemeinsames KI-Modell
Da die Daten einer einzelnen Drehmaschine häufig nicht ausreichen, um ein präzises KI-Modell zu trainieren, kommt die Technik des Federated Learning zum Einsatz. Federated Learning ermöglicht es, mit dezentral gespeicherten Daten ein gemeinsames KI-Modell zu trainieren, ohne die Daten direkt auszutauschen. Die individuellen Daten verbleiben also auf den jeweiligen Anlagen und müssen nicht zentral an einem Ort, beispielsweise in einer Cloud des Maschinenherstellers, gespeichert werden.
Die KI-Modelle schätzen aufgrund aktueller Drehmaschinendaten den gegenwärtigen Zustand der Anlage ab und geben diesen an das Bedienpersonal weiter. Eingesetzt werden dabei neuronale Netze aus dem Bereich des Deep Learnings.

Gemeinsam ein KI-System bilden
Mit KI funktioniert auch der Sorting Guide, ein System des Laserspezialisten Trumpf, das beim Sortieren produzierter Teile hilft und so die Maschinenauslastung steigern kann. Der Sorting Guide ist ein kamerabasiertes Assistenzsystem und setzt auf Dezentrales Machine Learning. Hauptbestandteile des KI-Systems sind eine hochauflösende Kamera, ein grosser Bildschirm, ein Industrie-PC und eine intelligente Software zur Bildverarbeitung.
«Beim Dezentralen Machine Learning werden mehrere Maschinen miteinander vernetzt und bilden gemeinsam ein KI-System», erklärt Prenode-Geschäftsführer Robin Hirt das Prinzip. Dabei sammeln die Maschinen kontinuierlich lokal Daten über ihre Arbeitsvorgänge. Dann wird für jede Maschine ein KI-Modell ent-wickelt, das anschliessend zentralisiert wird. «In einer zentralen Cloud werden diese Modelle dann fusioniert und wieder in die einzelnen Anlagen zurück übertragen», so Robin Hirt weiter. Das KI-System könne dann lokal auf alle Erfahrungen der anderen Maschinen zurückgreifen, ohne dass jemals sensible Rohdaten ausgetauscht werden müssten. «Auf diese Weise können die Maschinen ihre Arbeitsvorgänge effizienter gestalten und eine höhere Produktivität erreichen», verspricht Robin Hirt.
Beim Sorting Guide von Trumpf soll das konkret so funktionieren: Durch vorhandene Stammdaten und selbstlernende Bildverarbeitung erkennt der Sorting Guide entnommene Teile und gibt über den Bildschirm eine Empfehlung zum Absortieren. Die produzierten Teile sind auf dem Bildschirm farbig markiert, beispielsweise nach Kundenauftrag oder folgenden Arbeitsschritten wie zum Beispiel Abkanten, Entgraten, Lackieren oder Versand. Aufwändiges Nachzählen der Teile und manuelle Rückmeldungen oder Begleitpapiere sollen so überflüssig werden. Das Bedienpersonal der Maschine sieht auf einen Blick, welche Teile bereit sind für die Weiterverarbeitung und wo gegebenenfalls die Nachproduktion eingeleitet werden muss. Das Absortieren wird beschleunigt, Fehler werden vermieden, und die Maschine kann schneller weiter produzieren. KI und Fertigung gehen Hand in Hand, da Menschen und Maschinen im industriellen Produktionsumfeld eng zusammenarbeiten müssen.

Zerspanung wird mit Datenanalyse optimiert
Auf KI setzt auch ein neues Verfahren, das den Werkzeugverschleiss in Zerspanungsprozessen, also etwa beim Bohren oder Fräsen, analysiert. Einerseits sollen die teuren Werkzeuge möglichst lange eingesetzt werden. Andererseits ist es wichtig, die Restlebensdauer genau abzuschätzen. Denn ein Werkzeugbruch und ein zerstörtes teures Werkstück oder sogar ein Schaden an der Werkzeugmaschine müssen vermieden werden. Bislang löst man diesen Zielkonflikt so: Die Werkzeuge werden vorzeitig nach einer erfahrungsbasierten Zahl von Arbeitsgängen ersetzt, um Qualitätsverluste oder gar teure Stillstandzeiten durch Werkzeugbrüche zu vermeiden. Allerdings kostet der Werkzeugaustausch Zeit und Geld, weshalb es sich lohnt, die Wechselzyklen zu optimieren. Hier kommt die KI ins Spiel. Um den Verschleisszustand zuverlässig vorhersagen und so Zerspanprozesse optimieren zu können, haben Forscher der Technischen Universität Kaiserslautern ein Verfahren entwickelt, das das System anhand von realen Prozess- und Messdaten trainiert.
Konkret läuft das so: Um den Verschleisszustand von Zerspanwerkzeugen vorhersagen zu können, werden zunächst prozessbezogene Kenngrössen herangezogen. Dazu zählen unter anderem die beim Zerspanen wirkenden Kräfte, Schwingungen der Maschine sowie der Leistungsbedarf der Maschinenachsen. Ebenso werden Daten aus kontinuierlichen Messungen am Werkzeug und am Werkstück gesammelt. Die grösste Herausforderung besteht dann darin, Korrelationen in den gesammelten Daten zu ermitteln.

Suche nach Mustern
Hierfür trainieren die Forscher das KI-gestützte System, das Methoden des Maschinellen Lernens nutzt, um mögliche Muster zu erkennen und daraus Schlüsse zum Verschleisszustand abzuleiten. Darüber hinaus soll es vorhersagen können, mit welchen Prozessparametern Unternehmen bei bestimmten Zerspanprozessen arbeiten müssen, um das Werkzeug für eine angestrebte Nutzungsdauer zuverlässig im Einsatz zu halten. Die Daten, die das System zum Lernen braucht, werden bei fünf Partnerunternehmen erhoben – darunter sind Global Player ebenso wie kleine und mittlere Unternehmen. Dabei werden verschiedene Varianten durchgespielt, was etwa Werkzeug- und Werkstofftypen oder Prozessparameter betrifft, und so eine breite Datenbasis über die gesamte Lebensdauer bis hin zum Versagen des Werkzeugs erfasst.
KI ist schon ziemlich schlau, aber noch lange nicht perfekt. Zu unterschiedlich sind die einzelnen Prozesse von Anwendungsfall zu Anwendungsfall. Maschinelles Lernen dient daher als Entscheidungsunterstützung für den Werkzeugwechsel. Immer besser werden soll das System durch das sogenannte Transfer Learning: Hierbei wird Wissen von verwandten, bereits gelernten Aufgaben genutzt, um Machine-Learning-Modelle schneller für neue, aber verwandte Aufgaben trainieren zu können.

IIP-Ecosphere für niedrigschwelligen Zugang
Gleichwohl sind die Vorteile von KI in der industriellen Fertigung gerade für kleine Unternehmen nicht immer offensichtlich. Viele haben Bedenken, ihre Produktionsdaten zur eingehenden Analyse durch Computer freizugeben.
Für produzierende Unternehmen, denen der Mehrwert von KI noch unklar ist, soll das Projekt IIP-Ecosphere, an dem das Fraunhofer-Institut für Software- und Systemtechnik (Fraunhofer ISST) mitarbeitet, einen niedrigschwelligen Zugang zu herstellerunabhängigen KI-Lösungen für komplexe Problemstellungen in der Produktion bieten. Ziel des Projekts ist es, ein neuartiges Ökosystem aufzubauen, und zwar mit allen Akteuren, die den Einsatz von KI in der Produktion voranbringen, darunter Universitäten und Forschungseinrichtungen, Industrieunternehmen und Anbieter von KI-Lösungen. KI lebt von der Vernetzung von Wissen.
Entstehen soll so die «Ecosphere for Intelligent Industrial Production», kurz IIP-Eco-sphere.

Eine Plattform zum Entdecken
Markus Spiekermann, Abteilungsleiter Datenwirtschaft beim Fraunhofer-Institut für Software- und Systemtechnik ISST, erklärt: «Beispielsweise wird im Projekt IIP-Ecosphere der sogenannte KI-Lösungskatalog entwickelt. Es handelt sich um eine Plattform zur Entdeckung und Analyse existierender KI-Lösungen für produktionsspezifische Problemstellungen.» Neben dem einfachen Zugang zu den Informationen bestehender Lösungen biete der Katalog gezielte Filter anhand von Anwendungsfällen und zeige den Mehrwert der Lösungen auf. «Einzelne KI-Anwendungen können dann mithilfe der ebenfalls im Projekt entwickelten Open-Source IIoT-Plattform direkt implementiert werden», sagt Markus Spiekermann.
Nicht nur Wissen, sondern auch Daten sind Macht, um im knallharten internationalen Wettbewerb bestehen zu können. Hat Deutschland mit Blick auf Wettbewerber in den USA und Japan einen Entwicklungsvorsprung beim Einsatz KI in der industriellen Produktionstechnik? Das Urteil darüber fällt differenziert aus. «Aus meiner Sicht ist aktuell kein Entwicklungsvorsprung vorhanden, auf dem wir uns ausruhen dürfen», sagt Fraunhofer-Experte Markus Spiekermann. «Gerade was das Thema KI angeht, auch in der industriellen Produktionstechnik, hinken wir eher den internationalen Anbietern hinterher», so Markus Spiekermann.
Andererseits konstatiert der Fraunhofer-Experte: «Wir haben jedoch sehr wohl noch einen Wissensvorsprung, was die Optimierung der domänenspezifischen Prozesse angeht: Welche Daten sind vorhanden und werden für bestimmte Anwendungsfälle benötigt? Welche Fallstricke und Ausnahmeregelungen müssen berücksichtigt werden? Wenn wir unsere fachliche und technologische KI-Kompetenz schnell verbessern, können wir uns in Deutschland mit diesem Domänen-Know-how einen grossen Entwicklungsvorsprung herausarbeiten.»

INFOS | KONTAKT
Verein Deutscher Werkzeug­maschinenfabriken e.V. (VDW)
Lyoner Strasse 18
D-60528 Frankfurt am Main
www.emo-hannover.de

April

wire, Düsseldorf

Internationale Fachmesse für Draht und Kabel
15. bis 19. April
www.wire.de

Tube, Düsseldorf

Internationale Rohr-Fachmesse
15. bis 19. April
www.tube.de

Siams, Moutier

Der Treffpunkt der Mikrotechniken. Fachmesse für Automation, Werkzeugmaschinen und Zulieferung
16. bis 19. April
www.siams.ch

HANNOVER MESSE, Hannover

Weltleitmesse der Industrie mit dem Leitthema «Energizing a Sustainable Industry»
22. bis 26. April
www.hannovermesse.de

Intertool, Wels

Österreichs Fachmesse für Fertigungstechnik
23. bis 26. April
www.intertool.at