MES mit eingebauter künstlicher Intelligenz
Von der Aggregation zur Interpretation
Da Manufacturing-Execution-Systeme regelbasiert arbeiten, verlangen Veränderungen im Produktionsablauf nach einer Neuprogrammierung des Systems. Mit künstlicher Intelligenz wird dies ein Stück weit autonomer. Der Mensch bleibt jedoch die letzte Instanz.
Bild: ©Kirill/stock.adobe.com

Die Anforderungen an Flexibilität und Reaktionsgeschwindigkeit in der Fertigung steigen. Die Variantenvielfalt nimmt zu, während sich die Produktion in Richtung Losgröße 1 entwickelt. Lieferzeiten müssen reduziert werden, wohingegen Lieferketten immer verzweigter werden. Das macht auch die Produktionsplanung komplexer. KI-basierte MES-Lösungen können die zunehmende Volatilität in der Produktion auffangen, indem die erhobenen Daten nicht mehr nur aggregiert, sondern mit künstlicher Intelligenz auch interpretiert werden können. Ein MES aggregiert Daten und erzeugt einen homogenen Datenpool. Die Daten können dann als Kennzahlen visualisiert werden. Durch die Auswertung historischer Daten wird z.B. die Abweichung von einem Normwert deutlich, ihre Ursachen hingegen können mit herkömmlichen Analysemethoden nicht identifiziert werden. Ein manueller Eingriff wird notwendig, wenn in Zukunft die festgestellte Abweichung vermieden werden soll. Dieser Eingriff wird jedoch immer wieder notwendig, wenn die einmal identifizierte Abweichung erneut auftritt. Durch die Nachjustage des MES wird die Abweichung unterbunden. Je komplexer ein Produktionssystem jedoch ist, desto schwieriger werden manuelle Interventionen, da ihre Folgen nicht mehr absehbar sind. Das gilt auch für Nachjustagen. Letztendlich lässt sich nicht mehr zurückverfolgen, ob neu auftretende Abweichungen im Zusammenhang mit aktuell vorgenommenen Änderungen stehen oder gänzliche andere Ursachen haben. Weitere Eingriffe werden notwendig – ein Teufelskreis.

Das System lernt

Bei KI-basierten MES entfallen solche Eingriffe zumeist, wenn sie die Daten interpretieren und bei Bedarf auf das Ergebnis reagieren können. Die Grundlage dafür ist Machine Learning. Dabei erkennt die KI wiederkehrende Muster im Datenpool und kann aufgrund des im System vorhandenen Wissens auf diese Muster reagieren. Die Reaktion selbst wird als neues Wissen im System gespeichert – das System lernt. In der Praxis erfolgt die KI-Reaktion aber (noch) nicht autonom durch das System, sondern durch den Mitarbeiter. Dieser entscheidet, wie er auf den Vorschlag der KI reagiert. Auf diese Weise wird auch implizites Wissen, also Arbeitserfahrung, Teil des KI-basierten MES. Dies wirkt auch dem Silo-Denken entgegen. Werden KI-gestützte Systeme über das gesamte Unternehmen ausgebreitet, steht das implizite Wissen bereichsübergreifend zur Verfügung. Scheiden Mitarbeiter aus dem Unternehmen aus, bleibt ihr Wissen erhalten.

Einsatzbereiche

Insbesondere in der Prozessüberwachung, -optimierung und -steuerung kann die KI ihr Potenzial entfalten. Durch vorausschauende Wartung (Predictive Maintenance) werden Verschleiß und Beschädigungen frühzeitig erkannt, sodass Maschinenausfälle verhindert werden. Viele Produktionsplanungs- und -steuerungssysteme stoßen bei steigender Variantenvielfalt und immer kürzeren Produktionszeiten an Grenzen. Mithilfe von KI kann für eine variantenabhängige Reihenfolgeplanung eine Prognose für unterschiedliche Produktionsszenarien erstellt werden, um den optimalen Produktionsablauf zu identifizieren. So lässt sich mit KI-gestützten MES-Lösungen auch in Produktionsbereichen, die bereits durch einen hohen Automatisierungsgrad gekennzeichnet sind, die Produktivität erhöhen.

Datenqualität

Die grundlegende Voraussetzung für den Einsatz von künstlicher Intelligenz ist eine hohe Qualität der Trainingsdaten. Ist diese Qualtität nicht gegeben, führt dies zu schlechten Ergebnissen. Auch mangelt es oft an Knowhow und Erfahrung, wenn es darum geht, eigene KI-Lösungen zu entwickeln. Um den Wissenstransfer zu verbessern, müssen Wissenschaft und Industrie enger miteinander verzahnt werden.

Seiten: 1 2Auf einer Seite lesen

Becos GmbH
www.becos.de

Anzeige

Anzeige

Das könnte Sie auch Interessieren

Bild: Abat AG
Bild: Abat AG
Forschungskooperation verlängert

Forschungskooperation verlängert

Bild: Abat AG Voneinander und miteinander lernen, gemeinsam an innovativen Ideen für den Markt innerhalb von Forschungskooperationen tätig sein - seit mehreren Jahren schon besteht eine enge Zusammenarbeit zwischen der Bremer Abat AG und der Uni Oldenburg (Abteilung...

Image: Xilinx Inc.
Image: Xilinx Inc.
Adaptive AI Vision

Adaptive AI Vision

Image: Xilinx Inc. Die Kria SOMs ermöglichen den schnellen Einsatz durch Bereitstellung einer End-to-End Lösung auf Board-Ebene mit vorkonfiguriertem Software Stack. Das Kria K26 SOM basiert auf der Zynq UltraScale+ MPSoC Architektur, die einen Quad-Core Arm Cortex...