Maschinelles Lernen in der Fertigung: wichtige anwendungen, beispiele und leitlinien für die anwendung

Maschinelles Lernen in der Fertigung: wichtige anwendungen, beispiele und leitlinien für die anwendung

21. März 2024

Einführung von maschinellem Lernen in der Fertigung: Marktstatistiken

Werfen Sie einen Blick auf die aufschlussreichsten Statistiken zum maschinellen Lernen in der Fertigungsindustrie:

Wachstumsrate der KI in der fertigung von 2019 bis 2027

Fortune Business Einblicke

KPIs für Unternehmen, die maschinelles Lernen in der Fertigung aktiv einsetzen

McKinsey & Unternehmen

der Unternehmen erwarten, dass sie ihre Effizienz mit digitalen Technologien steigern werden

PwC

Die Bedeutung der Einführung von ML in der fertigung

Schaubild 1: Durchschnittliche Verbesserung durch maschinelle Intelligenz, nach KPI

Datenquelle: mckinsey.com - Auf dem Weg zur intelligenten Produktion: Maschinelle Intelligenz im Geschäftsbetrieb, 2022

Grafik 2: Neun von zehn Unternehmen investieren in digitale Fabriken

Datenquelle: pwc.de-Digitale Fabriken 2020: Die Zukunft der Fertigung gestalten

Auf maschinellem Lernen basierende Technologien für die Fertigung

Prädiktive Analytik

Predictive Analytics nutzt maschinelles Lernen, statistische Modellierung und Data-Mining-Techniken, um zukünftige Ergebnisse zu ermitteln. In der fertigung werden Predictive Analytics in großem Umfang für die Anlagendiagnose und Fehlervorhersage, die Automatisierung der Qualitätskontrolle und die Rationalisierung der Entscheidungsfindung bei der Materialbeschaffung eingesetzt.

Intelligente Prozessautomatisierung (IPA)

IPA kombiniert robotergestützte Prozessautomatisierung, optische Zeichenerkennung, Datenanalyse, intelligente Dokumentenverarbeitung und maschinelles Lernen, um Hyperautomatisierung zu ermöglichen. In der Mehrzahl der Fälle nutzen Unternehmen der fertigung IPA, um sich wiederholende und manuelle Aufgaben zu automatisieren, wie z. B. Buchhaltung, Personalverwaltung, Bestandsmanagement, Lieferantenkommunikation usw.

Computer-Vision

Computer-Vision ist ein Bereich der künstlichen Intelligenz, der es Computern ermöglicht, Erkenntnisse aus visuellen Informationen zu ziehen. Computer-Vision in der Fertigung wird eingesetzt, um automatisch eine Qualitätsprüfung der Produkte in jeder Phase des Produktionsprozesses durchzuführen, Roboter bei der Produktmontage zu steuern und die Sicherheit der Mitarbeiter durch eine proaktive Überwachung der Produktionsanlagen zu gewährleisten.

Neuronale Netze

Die Algorithmen neuronaler Netze sind leistungsstarke Werkzeuge zur Erkennung verborgener Muster und komplexer Beziehungen in unterschiedlichen Eingabedaten. In der intelligenten Fertigung werden neuronale Netze für komplexe, datenintensive Aufgaben wie vorausschauende Wartung, Qualitätskontrolle, Verbesserung der Energieeffizienz sowie Produktdesign und -entwicklung eingesetzt.

Suchen Sie einen zuverlässigen ML-Beratungspartner?

Wir können helfen

10 Anwendungsfälle des maschinellen Lernens in der Fertigung

Vorausschauende Wartung

In der fertigung ist die Wartung der Anlagen eine wichtige Tätigkeit, die von engagiertem Personal in regelmäßigen Abständen durchgeführt wird. Der manuelle Ansatz ist zwar einigermaßen effektiv, hat aber den Nachteil, dass die Anlagen unerwartet ausfallen können, was zu Betriebsunterbrechungen und erheblichen Umsatzeinbußen führt. Durch den Einsatz von Systemen, die maschinelles Lernen und das Internet der Dinge unterstützen, können Fertigungsunternehmen den Zustand ihrer Anlagen überwachen und proaktive Reparaturmaßnahmen ergreifen. Installierte Sensoren rufen Daten von Maschinenkomponenten ab und senden sie an ein ML-basiertes Analysesystem, das automatisch Leistungsabweichungen erkennt und die verbleibende Nutzungsdauer der Anlagen sowie den Zeitpunkt ihres Ausfalls vorhersagt.

Qualitätskontrolle

Durch die Ergänzung von Qualitätskontrollsystemen mit Computer Vision und maschinellem Lernen kann der gesamte Prozess nahezu vollständig automatisiert und wesentlich effektiver gestaltet werden. Da Fertigungsunternehmen genau wissen, wie ein Endprodukt aussehen muss, und oft über mehr als genug Daten verfügen, um ML-Algorithmen zu trainieren, ist die Qualitätskontrolle einer der potentesten Bereiche für Anwendungen des maschinellen Lernens.

Nachfrageprognose

In der fertigung ist die Bedarfsprognose keine leichte Aufgabe. Bei Tausenden von Produkten und Produktteilen in ihren Lagern sind Unter- und Überbestände ein häufiges, aber ernsthaftes Problem, das viele Fertigungsunternehmen plagt. Unabhängig davon, wie erfahren Bestandsmanager sind, können sie sich nur bedingt auf ihr Bauchgefühl verlassen. Mit einer Fülle von Bestandsdaten aus der Vergangenheit können Prognosemodelle die Bestandsnachfrage genau vorhersagen und die Risiken von Über- oder Unterbeständen minimieren. Darüber hinaus können fortschrittliche Lösungen für maschinelles Lernen auch das Kundenverhalten, die Saison oder die aktuelle Wirtschaftslage berücksichtigen.

Vertragsmanagement

Jedes Unternehmen der fertigung ist in hohem Maße auf eine Reihe von Lieferanten angewiesen. Die Beschaffungsteams müssen nicht nur vorhersagen, wie viele Lieferungen ein Unternehmen in einem bestimmten Zeitraum benötigen wird, sondern auch die rechtlichen Verträge zwischen dem Fertigungsunternehmen und mehreren Lieferanten verwalten. Diese Dokumente enthalten wertvolle Informationen wie Zahlungsfristen, Kündigungstermine und Nachverhandlungsrechte. Anstatt Hunderte von Seiten, die in juristischer Sprache verfasst sind, manuell zu durchforsten, können Systeme zur Verarbeitung natürlicher Sprache die wichtigsten Informationen in diesen Dokumenten automatisch erkennen und sie direkt an die Entscheidungsträger weiterleiten. Dadurch kann die Zeit, die für die Auswertung von Rechtsdokumenten benötigt wird, erheblich verkürzt werden, was wiederum zu einer Senkung der Betriebskosten führt.

Produktentwicklung

Vorausschauende Unternehmen in der fertigung nutzen neuronale Netze und Deep Learning in großem Umfang, um die Produktentwicklung zu optimieren. Die ML-basierte Produktentwicklung wird oft als generatives Design bezeichnet. Dabei handelt es sich um eine Methode, die es den Benutzern ermöglicht, alle notwendigen Informationen (z. B. die Anzahl der verfügbaren Ressourcen und die gewünschte Produktionszeit) über das Endprodukt einzugeben, das ein System entwickeln soll. Auf diese Weise können Unternehmen der fertigung die Produktionszeit verkürzen und, was am wichtigsten ist, bessere Produkte herstellen.

Optimierung der Produktion

Hersteller können maschinelles Lernen nutzen, um verborgene Schwachstellen im Produktionsprozess aufzudecken. In den meisten modernen Produktionsanlagen ist jeder Produktionsschritt einem bestimmten Produktionsmodul zugeordnet, das über zahlreiche Einstellungen verfügt, die angepasst werden können. Durch die schnelle Analyse großer Mengen von Produktionsdaten mit Hilfe des maschinellen Lernens können Unternehmen feststellen, welche Produktionsschritte am ineffektivsten sind, und sie entsprechend anpassen.

Cybersecurity

Moderne Fertigungsanlagen sind in hohem Maße auf das Internet der Dinge, digitale Zwillinge, die Cloud und andere digitale Systeme angewiesen. Obwohl diese digitalen Systeme von Natur aus wichtig sind, stellen sie ein häufiges Ziel für Cyberangriffe dar. Angesichts immer raffinierterer Angriffe werden herkömmliche Cybersicherheitsmethoden zunehmend obsolet. Durch die kontinuierliche Überwachung von Produktionssystemen können auf maschinellem Lernen basierende Plattformen zur Erkennung von Anomalien schnell Anzeichen eines Cyberangriffs erkennen und den Betrieb sofort abschalten oder das zuständige Personal über den potenziellen Angriff informieren.

Robotik

Heutzutage ist die Robotik aus der modernen Fertigung nicht mehr wegzudenken. Herkömmliche Fertigungsroboter können jedoch nur vorgegebenen Pfaden folgen und vordefinierte Aktionen ausführen, was es ihnen unmöglich macht, sich an Veränderungen in der Produktionsumgebung anzupassen. Dies kann nicht nur zu fehlerhaften Produkten, sondern auch zu lebensbedrohlichen Situationen in der Fabrik führen. Durch die Ergänzung von Robotern mit maschinellem Lernen und Computer Vision können sie zwischen Objekten und Menschen unterscheiden und intelligente Entscheidungen über ihre nächsten Schritte treffen. Steht beispielsweise eine Person auf der herkömmlichen Route des Roboters im Weg, kann er seinen Weg ändern und die Person umgehen.

Verwaltung der Aufträge

Im Wesentlichen sind Hersteller auf andere Hersteller angewiesen, um ihre Endprodukte zusammenzustellen. Da jede Fabrik ihren Gewinn aufrechterhalten will, müssen die Auftragsmanager herausfinden, welche Lieferanten Rohstoffe in bester Qualität und zum besten Preis liefern können. Bei Hunderten von Lieferanten und Tausenden von Rohstoffen wird diese Aufgabe immer komplizierter, und dabei müssen zwangsläufig Kompromisse eingegangen werden. Modelle des maschinellen Lernens können Lieferantendaten in Echtzeit verarbeiten und den Herstellern helfen, den angemessensten Preis für ein bestimmtes Material zu ermitteln, wobei die Art des Materials, die Qualität, die Verarbeitung, die Größe usw. berücksichtigt werden.

Digitaler Zwilling

Ein digitaler Zwilling ist ein digitales Abbild der Anlagen einer Fabrik, das in Echtzeit ausführliche Informationen über deren Zustand und Leistung liefert. Digitale Zwillinge sind an sich schon äußerst nützlich, aber wenn sie mit maschinellem Lernen erweitert werden, können Fertigungsunternehmen eine noch nie dagewesene Effizienz erreichen. Tausende von Sensoren, die in den Maschinen einer Fabrik installiert sind, senden Daten an eine einheitliche Datenplattform, auf der neuronale Netze und andere fortschrittliche Modelle des maschinellen Lernens diese Daten auswerten und nützliche Erkenntnisse gewinnen. Ergänzt durch ein maschinelles Lernsystem können digitale Zwillinge die Hersteller bei der Verbesserung von Produkten und Arbeitsabläufen unterstützen und die Wartung der Anlagen effizienter gestalten.

Maschinelles Lernen in allen Bereichen der Fertigung

Viele Anwendungsfälle des maschinellen Lernens ähneln sich zwar von einem Fertigungssektor zum anderen (vorausschauende Instandhaltung, Produktqualitätskontrolle, Bestandsmanagement), doch gibt es auch branchenspezifische Anwendungsfälle, die wir im Folgenden skizzieren:

Machine learning
Food
Automotive
Furniture
Semi- conductors & computers
Plastic products
  • Sortieren von Lebensmitteln mit Hilfe von Computer Vision
  • Schnelles Analysieren des Reifegrads von Obst und Gemüse
  • Reinigungsgeräte, die nicht demontiert werden müssen
  • Selbstfahrende Funktionen
  • Sprachassistenten und Funktionen zur Erkennung von Emotionen
  • Klassifizierung und Erkennung von Mängeln
  • Überprüfung des ordnungsgemäßen Zusammenbaus des Modells
  • Kostengünstiger generativer Entwurf
  • Visuelle Kontrolle der Fertigerzeugnisse
  • Visuelle Inspektion von Wafern
  • Chipentwicklung und -design
  • Autonome Sortierung von wiederverwertbaren Materialien
  • Optimierung des Spritzgießens

Fertigungsunternehmen, die erfolgreich maschinelles Lernen einsetzen

Die ZF Friedrichshafen AG, gemeinhin als ZF-Konzern bezeichnet, ist ein deutscher Hersteller von mechanischen Komponenten für die Automobilindustrie. Die Maschinen des ZF-Konzerns sind mit Sensoren ausgestattet, die kontinuierlich Daten sammeln, die dann mit firmeneigenen Algorithmen des maschinellen Lernens analysiert werden, um Anlagenausfälle vorherzusagen. Der ZF-Konzern nutzt maschinelles Lernen auch zur Vorhersage des Energieverbrauchs des Werks und zur Verringerung der Kohlenstoffemissionen.

Siemens, ein weltweit bekanntes Unternehmen, war einer der ersten Befürworter der Implementierung von maschinellem Lernen, KI und anderen neuen Technologien. Das Unternehmen nutzt maschinelles Lernen in großem Umfang, um seine Prozesse zu verbessern, und bietet darüber hinaus eine auf maschinellem Lernen und IoT basierende Industrielösung MindSphere für andere Hersteller an. MindSphere ist eine flexible Lösung, mit der Hersteller fabrikspezifische Probleme angehen können. Eines der von Capgemini auf der MindSphere-Plattform bereitgestellten Anwendungsszenarien ermöglicht es Unternehmen beispielsweise, die Genauigkeit der visuellen Inspektion an Fertigungsstraßen erheblich zu verbessern.

Der dänische Bierhersteller Carlsberg setzt maschinelles Lernen ein, um neue Biergeschmacksrichtungen zu entwickeln. In Zusammenarbeit mit Microsoft, der Universität Aarhus und der Technischen Universität Dänemark hat das Unternehmen Sensoren entwickelt, die zwischen verschiedenen Biergeschmacksrichtungen unterscheiden können. Eine auf maschinellem Lernen basierende Vorhersagemaschine kann den Geschmack eines neuen Biers auf der Grundlage einer Reihe bestimmter Zutaten beschreiben, was die Entwicklung eines neuen Biergeschmacks im Durchschnitt um das Dreifache beschleunigt.

General Motors, einer der größten Fahrzeughersteller in den USA, nutzt das auf maschinellem Lernen basierende generative Design, um ein eher unscheinbares, aber äußerst wichtiges Fahrzeugbauteil zu entwerfen - die Sitzhalterung, die zur Befestigung der Sicherheitsgurte dient. Kevin Quinn, Director of Additive Design and Manufacturing bei General Motors, erklärt, dass das Team mit herkömmlichen Designmethoden zwei bis drei Designoptionen vorschlagen kann, während das generative Design über 100 Designoptionen für ein einziges Bauteil bietet. Außerdem war das resultierende Teil 40 % leichter und 20 % stärker als das Originalteil.

Das 2016 gegründete US-amerikanische Unternehmen Veo Robotics hat es sich zur Aufgabe gemacht, Fabrikroboter mit Hilfe von Computer Vision, maschinellem Lernen und 3D-Sensorik sicherer und effizienter zu machen. Die sogenannten FreeMove-Sensoren von Veo Robotics werden in der Arbeitsumgebung positioniert und erfassen die Bilddaten des Arbeitsbereichs. Befindet sich ein Mensch näher als der vorgegebene Abstand zum Roboter oder wird eine Gefahr in der Umgebung erkannt, schaltet sich der Roboter sofort ab. Sobald sich der Mensch in einem sicheren Abstand befindet, startet der Roboter automatisch neu.

Anzeichen dafür, dass Sie maschinelles Lernen einsetzen sollten

Unsichere Arbeitsumgebungen
Unsichere Arbeitsumgebungen

Roboter, die mit fortschrittlichen Computer-Vision-Systemen ausgestattet sind, können zwischen Objekten und Personen unterscheiden und intelligente Entscheidungen über die Wegfindung und die Bewegung im Allgemeinen treffen, was die Sicherheit der Mitarbeiter vor Ort erheblich erhöht.

Ineffiziente Wartung der Ausrüstung
Ineffiziente Wartung der Ausrüstung

Mit Hilfe von IoT-Sensoren und maschinellem Lernen können Techniker wertvolle Zeit und Ressourcen einsparen, indem sie Wartungsprüfungen nur dann durchführen, wenn die Wahrscheinlichkeit eines Ausfalls in naher Zukunft hoch ist, anstatt den Zustand der Maschinen routinemäßig zu überprüfen.

Ineffiziente Sichtprüfung
Ineffiziente Sichtprüfung

Herkömmliche visuelle Inspektionssysteme beruhen auf hochauflösenden optischen Kameras, die visuelle Daten erfassen, die dann mit einer Vorlage verglichen werden, um Fehler zu erkennen. Geringfügige Schwankungen in der Umgebung oder im Produkt selbst führen zu einer hohen Anzahl von Fehlalarmen. Werkzeuge für die maschinelles Lernen unterstützende Sichtprüfung hingegen lassen sich nicht durch Umgebungsänderungen aus der Ruhe bringen und können kontinuierlich lernen, was zu einer verbesserten Präzision der Sichtprüfung führt.

Begrenzte Designoptionen
Begrenzte Designoptionen

Kreativität ist zwar eine ausschließlich menschliche Fähigkeit, aber Maschinen können sie verstärken und erweitern. Wenn einem auf maschinellem Lernen basierenden generativen Designsystem eine sehr eng definierte Reihe von Parametern und Einschränkungen vorgegeben wird, übersteigt die Anzahl der Designoptionen in der Regel bei weitem den menschlichen Output.

Ungenaue Nachfrageprognosen
Ungenaue Nachfrageprognosen

Statt sich auf Bauchgefühl und Branchenerfahrung zu verlassen, können Unternehmen maschinelles Lernen einführen, um die Nachfrageprognose zu optimieren. Dank ihrer Fähigkeit, enorme Datenmengen in Echtzeit zu verarbeiten, können die Nachfragevorhersagen viel genauer werden.

Ein schrittweiser Leitfaden für die Umsetzung

1

Use case definition

As with any technology implementation, it all starts with the definition of use cases, and feasible and value-adding use cases stem from real business needs. For example, if there are too many customer complaints about scrapped products, investing in a machine learning-augmented quality control system might be a good idea.

2

Data gathering

After you've defined a use case, it's time to determine what data you need and where you can source it from. For example, for predictive maintenance, it's data generated by machinery sensors, and for visual inspection systems, it's thousands of images of faulty products.

3

Data cleaning and formatting

Machine learning models are as good as the data you provide them with. For machine learning tools to operate effectively, you need to clean, format, contextualize, and organize the initially gathered unstructured, raw data. Ideally, this process should be performed for every data set you gather, as it can have a significant impact on your future ML applications.

4

Data visualization

While it may seem not mandatory to visualize data for your specific use case, data visualization is a sure way to realize the full potential of machine learning and advanced analytics in general. Easily understandable dashboards can be extremely useful in unlocking valuable insights about manufacturing processes.

5

Model training

After the data is in the desired state, you are all set to train your machine learning model. By running historical and live data through the algorithm, you can identify patterns that lead to inefficiencies in a given process. While choosing the algorithm goes way beyond the scope of this guide, the importance of opting for the right algorithm should never be underestimated.

6

Model validation and deployment

To ensure that your machine learning model can be useful in a real-world scenario, it’s crucial to test it against previously unseen real data. In the majority of cases, these tests reveal the need for sufficient model adjustments and improvement. If after multiple tests, the model works as intended, you can safely deploy it into the production environment.

7

Continuous model retraining

When it comes to machine learning, implementation is never a one-time effort. As the production environment, products, processes, data, and people change and evolve, machine learning models become obsolete quite fast. To maintain model effectiveness, it's critical to constantly retrain, update, and deploy them.

Möchten Sie die fertigung mit ML rationalisieren?

Zu Itransition wechseln

Herausforderungen bei der Einführung von maschinellem Lernen und wie sie gelöst werden können

Angesichts der vielen potenziellen Anwendungsfälle und Vorteile, die KI und maschinelles Lernen für Fertigungsunternehmen mit sich bringen können, fragt man sich, warum diese Technologie nicht von mehr Unternehmen eingesetzt wird. In ihrem Bericht "AI Adoption in the Enterprise" aus dem Jahr 2021 hat O'Reilly Media herausgefunden, welche Aspekte der Implementierung dieser Technologie sich als besonders schwierig erweisen.

Mangel an Talenten

Unabhängig von der Branche sind erfahrene Datenwissenschaftler und Ingenieure für maschinelles Lernen rar gesät. Und wenn Ihr Unternehmen noch keine Erfahrung mit künstlicher Intelligenz hat, werden Sie wahrscheinlich die falschen Leute einstellen, selbst wenn Sie über unbegrenzte Mittel verfügen. Die beste Lösung ist hier die Zusammenarbeit mit einem kompletten Team von Spezialisten, bestehend aus Dateningenieuren, Datenwissenschaftlern, ML-Ingenieuren, Datenanalytikern usw. Auf diese Weise können Sie sich den Geschäftsergebnissen widmen und alle technischen Aspekte den Experten überlassen.

Mangel an Daten

Während in Ihrer Produktionsanlage ständig große Datenmengen anfallen, ist die richtige Erfassung und Strukturierung dieser Daten eine ganz andere Sache. Heutzutage betrachten viele synthetische Daten als unmittelbare Lösung für dieses Problem, aber im größeren Rahmen sind sie nur als Erste-Hilfe-Kit nützlich. Die Investition in die Einführung geeigneter Data-Governance-Standards ist wahrscheinlich eine der wichtigsten, wenn nicht sogar die wichtigste Maßnahme, die ein modernes Fertigungsunternehmen ergreifen kann, um seine Zukunft in einer Branche zu sichern, die so stark von Daten geprägt ist.

Suche nach einem Startpunkt

Im Kontext der fertigung ist scheinbar jeder Anwendungsfall der richtige für eine ML-Implementierung. Jeder Hersteller würde gerne die genauen Gründe für Maschinenausfälle kennen und Routineaufgaben wie die Bestandsverwaltung an die Algorithmen abgeben. Eine erfolgreiche Anwendungsfalldefinition läuft darauf hinaus, dass echte Geschäftsbedürfnisse adressiert werden. Mit anderen Worten: Anwendungsfälle für maschinelles Lernen müssen greifbare finanzielle Auswirkungen haben. Wenn Sie der Meinung sind, dass Sie den richtigen Anwendungsfall ausgewählt haben, ist es immer eine gute Idee, klein anzufangen. Setzen Sie das Tool für maschinelles Lernen in einer einzigen Fabrikhalle in einer einzigen Produktionslinie ein, bevor Sie es auf andere Anlagen ausweiten, um zu sehen, ob sich der Einsatz lohnt.

Steigern Sie Ihre Produktionsleistung mit ML

Maschinelles Lernen ist eine wesentliche Technologie für die Verwirklichung der Industrie 4.0-Transformation im Fertigungsbereich, und es ist nicht überraschend, dass Unternehmen aktiv in diese Technologie investieren. In der Zwischenzeit sind ML-Lösungen in den Fabriken aufgrund des raschen technologischen Fortschritts immer häufiger anzutreffen. Die Vorteile des maschinellen Lernens sind zahlreich, darunter die Herstellung hochwertiger Produkte, die Reduzierung von Ausfallzeiten, die Steigerung von Produktivität und Effizienz, die Optimierung von Ressourcen und die Verbesserung der Sicherheit. Wenn Sie Ihre betriebliche Effizienz mit maschinellem Lernen verbessern möchten, zögern Sie nicht, sich mit den Experten von Itransition in Verbindung zu setzen und Ihr Projekt zu besprechen.

Beratung zum maschinellen Lernen

Dienst

Beratung zum maschinellen Lernen

Beratung zu Predictive Analytics

Dienst

Beratung zu Predictive Analytics

Maschinelles Lernen im Einzelhandel: 10 Möglichkeiten, Ihr Geschäft zu verbessern

Einblicke

Maschinelles Lernen im Einzelhandel: 10 Möglichkeiten, Ihr Geschäft zu verbessern

Einsatz von KI zur Skalierung der Vermögensverwaltung

Einblicke

Einsatz von KI zur Skalierung der Vermögensverwaltung

Prädiktive Analytik im Finanzwesen: Anwendungsfälle, Plattformen und Leitlinien für die Einführung

Einblicke

Prädiktive Analytik im Finanzwesen: Anwendungsfälle, Plattformen und Leitlinien für die Einführung