Anmelden Registrieren NEWSLETTER
ABB AG IXON Cloud MPDV Mikrolab GmbH
Kann KI die richtigen Empfehlungen aus der Industrie-4.0-Datenflut herausarbeiten? Wir haben nachgefragt.

Kann KI die richtigen Empfehlungen aus der Industrie-4.0-Datenflut herausarbeiten? Wir haben nachgefragt.

Bild: iStock, kevron2001

Umfrage über die Mehrwerte von KI „Rettet KI Industrie 4.0?“

29.10.2021

Seit Jahren sprechen wir über Industrie 4.0 und das alles vernetzt werden muss. Und jetzt, wo langsam die Grundlage geschaffen wurde, was passiert mit der verfügbaren Datenflut? Ein paar Dashboards alleine generieren doch selten die berühmten Mehrwerte… Hilft jetzt nur Künstliche Intelligenz, um die richtigen Handlungsempfehlungen aus den vernetzten Systemen zu generieren? Wir haben Experten nach Ihrer Meinung gefragt.

Sponsored Content

Das sagen die Experten:

Bildergalerie

  • Michael Klipphahn, Entwicklungsleiter Industrie 4.0, ABB Motion Deutschland: Aus meiner Sicht wird sich ein zweigleisiger Ansatz durchsetzen. Zum einen erfolgt die Analyse der Daten weiterhin durch die Experten. Basis dafür sind Dashboards, die dank der vernetzten Systeme immer detaillierter, aber auch immer einfacher einzurichten und damit häufiger verfügbar sind. Darüber hinaus wird zum anderen KI neue Handlungsempfehlungen generieren. Nicht zuletzt, weil es schlichtweg an Experten mangelt. Hierbei werden die Daten von allen Seiten betrachtet – auch aus Blickwinkeln, die eher unüblich sind. Beide Wege sind machbar und ergänzen sich in idealer Weise.

    Bild: ABB

  • Florian Liebgott, Lead Data Scientist, Balluff: Durch die Zusammenführung und das Speichern der Daten wird eine Grundvoraussetzung für den erfolgreichen Einsatz künstlicher Intelligenz geschaffen. Es ist allerdings unerlässlich, zunächst die konkrete Fragestellung, die gelöst werden soll, zu klären. Hieraus leitet sich dann ab, welche Daten benötigt werden und auch, wie die Aufgabe am besten gelöst werden kann. Die Lösung muss nicht immer künstliche Intelligenz sein, manchmal reichen auch einfachere Methoden wie eine Schwellwertüberwachung, die sich mit weniger Rechenaufwand umsetzen lassen. Gerade bei komplexeren Fragestellungen im Bereich Zustandsüberwachung und vorausschauende Wartung bietet KI jedoch häufig den entscheidenden Mehrwert.

    Bild: Balluff

  • Dr. Oliver Niese, Vice President Digital Business, Festo: Die Antwort auf diese Frage bedarf zunächst einer Klärung des Blickwinkels. Von innen nach außen betrachtet, das heißt aus der Maschine heraus, wird Künstliche Intelligenz selten zu einem Mehrwert führen. Eine Maschine repariert sich nicht selbst oder verändert ihren Ablauf nicht, nur aufgrund eines Ergebnisses einer KI basierten vorausschauenden Anomalie-Erkennung in einer einzelnen Applikation. Von außen nach innen betrachtet, d.h. aus dem Blickwinkel einer gesamten Produktionsanlage heraus, kann und muss Künstliche Intelligenz einen Mehrwert erzielen, insbesondere durch den Einsatz von KI in der vorausschauenden Analyse von Maschinen und Produktionsdaten. Der Mehrwert wird dann in der Tat nicht durch die Anzeige in Dashboards erzielt, sondern durch die Operationalisierung der Analysen, das heißt die Verwendung der Analyseergebnisse in den Produktionsprozessen. Hierdurch werden Effizienzsteigerungen im Bereich Produktqualität und Energieeinsatz bis hin zu Instandhaltungs-Prozessen erzielt.

    Bild: Festo

  • Ralf Bucksch, Technical Executive AI Applications Europe, IBM: Zwar sind die Grundlagen gelegt und viele Daten verfügbar – allerdings müssen diese auch strategisch genutzt werden. Das gilt auch für den Einsatz von KI, welcher immer dann sinnvoll ist, wenn sie in vielschichtigen und unklaren Situationen Antworten auf komplexe Fragen finden soll. Beispielsweise spielen bei der Herstellung von Kalk hunderte Faktoren eine Rolle, deren Zusammenwirken und wechselseitige Einflussnahme kaum vorherzubestimmen ist. Liegen in einem solch komplexen Kontext ausreichend Daten vor, dann ist das ein klarer Fall für einen erfolgreichen KI-Einsatz. Allerdings werden die Erwartungen in der Praxis oft enttäuscht, da die Data Scientists die Bedeutung der Daten nicht ausreichend verstehen. Dieses Verständnis gilt es zuvor durch strategisches Data Engineering einfließen zu lassen. Dabei werden die Daten aufbereitet und für die Weiterbearbeitung mit KI-Algorithmen vorbereitet. Erst wenn man diese Schritte befolgt, generiert die KI auch die richtigen Handlungsempfehlungen.

    Bild: IBM

  • Martijn Theunissen, ales Director, Ixon Cloud: Künstliche Intelligenz als solches ist ein sehr großes und breites Thema. Der Maschinenbau kommt der Anwendung dieser bereits Schritt für Schritt näher. Angefangen bei der Integration von Sub-Modulen wie Kamerasystemen, bis hin zur Analyse von Maschinendaten auf dem Weg zur sich selbst optimierenden Maschine. Dies setzt allerdings voraus, dass die vorherigen Phasen auf dem Weg zu vollständiger IIoT-Reife (wie Konnektivität, Datenanalyse und prädiktive Möglichkeiten) bereits durchlaufen wurden. Wir von Ixon glauben nicht daran, dass nur KI einen Mehrwert bietet. Im Gegenteil: Besonders KMUs stehen noch oft am Anfang ihrer IIoT-Reise und sollten einen Schritt nach dem anderen machen. Mehrwerte können aus jedem dieser Schritte gewonnen werden.

    Bild: Ixon

  • Thorsten Strebel, Geschäftsführer Products & Services, MPDV: Der steigende Detaillierungsgrad und die riesigen Datenmengen lassen sich nicht mehr mit herkömmlichen Verfahren abbilden. Wir brauchen selbstlernende Systeme, um die Massen an Daten, die wir in der Fertigung haben, zu beherrschen und die richtigen Schlüsse zu ziehen. Zudem ist die Nutzung von KI in der Fertigung ein grundlegender Schritt in die Zukunft und kann Unternehmen den entscheidenden Wettbewerbsvorteil bieten. Mit Hilfe von MES beziehungsweise Fertigungs-IT im Allgemeinen kann dieser enorme Vorteil genutzt werden und Unternehmen dabei helfen, ihr Ziel von Industrie 4.0 und der Smart Factory zu erreichen. Grundsätzlich gehe ich davon aus, dass KI-basierte IT die klassische IT ablösen wird.

    Bild: MPDV

  • Gunther Sälzler, Manager Software & Control, Rockwell Automation: Künstliche Intelligenz ist bereits ein wesentlicher Teil der Produktion – und wird auch künftig weiter an Bedeutung gewinnen. Die Prozesse einer modernen, digitalisierten Produktion sind schlicht und ergreifend ohne die entsprechende Datengrundlage nicht mehr möglich. Beispielsweise können Predictive und Prescriptive Maintenance nur dann funktionieren, wenn eine entsprechende Datengrundlage vorliegt. Während früher ein erfahrener Maschinenbediener den Zeitpunkt zum Wechsel von Verschleißteilen im Gefühl hatte, ist dieses Vorgehen aufgrund der Diversifizierung von Aufgaben auf dem Shopfloor und des Fachkräftemangels keine Option mehr. Immer häufiger kommen Module wie FactoryTalk Analytics LogixAI zum Einsatz, um gewonnene Daten effizient zu nutzen. Übergeordnete Softwareanalysen ergänzen darüber hinaus den Edge-Ansatz der Datenverarbeitung.

    Bild: Rockwell Automation

  • Reinholt Schlechter, OEM Segment Manager, Schneider Electric: Nein, so ausschließlich würde ich das nicht formulieren. Meine Erfahrung zeigt vielmehr, dass es bei der Wahl der richtigen Auswertungsmethode ganz entscheidend darauf ankommt, die richtigen Fragen zu stellen: Welche Informationen helfen mir weiter? Und wie komme ich an sie heran? Wenn das geklärt ist, braucht es in vielen Fällen keine aufwendige KI-Lösung mehr. Unsere anwendungsnahen Software-Advisor zum Beispiel sind darauf spezialisiert, einfache, praxisbezogene Antworten zu liefern – etwa auf die Frage: Wie können Reinigungsprozesse effizienter gestaltet werden? Erst ab einer gewissen Komplexität meiner Anforderungen zahlen sich KI-gestützte Lösungen aus – das Datenvolumen ist da nicht als alleiniger Parameter relevant. Die Softwarelösungen unserer engen Partner OSIsoft und AVEVA etwa sind mit ihrer KI darauf spezialisiert, in komplexen und umfassend vernetzten Anlagen Anomalien und Ineffizienzen aufzuspüren, die ein menschlicher Bediener niemals finden könnte.

    Bild: Schneider Electric

  • Boris Scharinger, Senior Innovation Manager, Siemens: Ein schönes Dashboard allein liefert nicht die richtigen Rückschlüsse aus Daten. Künstliche Intelligenz ergänzt unseren Analyse-Werkzeugkasten: Semantische Technologien helfen bei der Aufbereitung und Zusammenführung der Daten für höherwertige Analytik; neuronale Netze erkennen Muster, die oft für menschliche Wahrnehmung zu fein sind; Regelbasen / Wissensgraphen leiten Handlungsempfehlungen ab. Jedoch: Da KI in der Industrie alles andere als einfach ist, kommt es auf drei Erfolgsfaktoren an. Erstens: MitarbeiterInnen mit KI-Expertise. Zweitens: Erhöhung der Robustheit und Nachvollziehbarkeit von KI-Modellen. Drittens: Partnerschaften zur Kombination von Domain-Know-how, KI-Expertise und Automatisierungswissen.

    Bild: Siemens

Firmen zu diesem Artikel
Verwandte Artikel