ABB AG ifm electronic GmbH

Wir haben nachgefragt: Wie sehen und verwenden Unternehmen KI-Applikationen?

Ein Puzzleteil von vielen Umfrage: Wie befassen sich Unternehmen mit KI?

07.09.2020

Die Künstliche Intelligenz machte die letzten Jahre rasante Fortschritte und wird schnell im Kontext von Industrie 4.0 als Heilsbringer gesehen – nur diese alleine macht Unternehmen noch nicht wettbewerbsfähiger. Was heißt das aber für den Maschinenbauer, in welcher Form muss er sich mit KI beschäftigen? Reicht es aus, einfach „schlaue“ Sensorik, Steuerungslösungen und fertige Analytics-Tools zu verwenden?

Sponsored Content

So haben die Befragten geantwortet.

Bildergalerie

  • Armin Wallnöfer, Digital Leader Motion Deutschland, ABB Automation Products: Die Herausforderung bei Künstlicher Intelligenz in Industrieanwendungen ist die große Anzahl sehr unterschiedlicher Geräte und Systeme mit vielfältigen Eigenschaften und Fähigkeiten. Industrielle KI-Projekte sind nur dann erfolgreich, wenn es zu einem Zusammenspiel der Expertise von Domänen-, Data-Science- und Software-Experten kommt. Eine Kollaboration ist hier von Anfang an entscheidend, etwa bei der Entwicklung von Modellen, um die Genauigkeit der Ausfallvorhersage von Maschinen zu verbessern. Marktreife KI-Anwendungen gibt es bereits etliche. So lässt sich beispielsweise die Windpark-Wartung optimieren, indem Daten aus dem Umrichter der Windenergieanlage erfasst, analysiert und mittels maschinellen Lernens Diagnosen am elektrischen Antriebsstrang durchgeführt werden.

    Bild: ABB

  • Daniel Kessler, Entwicklungsingenieur KI/ML, Balluff: Der Einsatz von KI macht in der Regel dort Sinn, wo größere Datenmengen kognitiv zu verarbeiten sind und Prozesse optimiert werden müssen. Diese Anwendungen gilt es aufzuspüren und aus Unternehmenssicht auf Ihre KI-Eignung hin zu bewerten. „Schlaue" Sensorik, Steuerungslösungen und fertige Analytics-Tools alleine sind keine Heilsbringer. Meist hilft für einen ersten Einblick eine simple Visualisierung von Echtzeitdaten und historischen Daten. Hieraus lässt sich dann der beste Ansatzpunkt für den Einsatz von KI in einer Anwendung ableiten. Mit anderen Worten man fängt klein und visuell an und geht dann zu komplexeren Aufgaben über. Nur so kann ein Grundverständnis für KI aufgebaut und der Einsatz passender Betriebsmittel und Analytics-Tools abgeleitet werden.

    Bild: Balluff

  • Plamen Kiradijev, Global CTO Industrie 4.0, IBM: Das optimale Vorhersage-/KI-Modell zu finden, ist die höchste Freude eines Data Scientist. Das ist aber erst der Start. Die eigentliche Wertschöpfung beginnt erst mit der Anwendung des Modells in der Praxis. Wie wird dieses Modell effizient nah an die Datenquellen gebracht, wo manchmal kein Mensch und keine IT Zutritt hat? Wie kann man sich darauf verlassen, dass das Modell seinen Job konsequent richtigmacht? Wie kann seine Genauigkeit über die Zeit überprüft und eventuell nachjustiert werden? Letzten Endes sollte das KI-Modell auch so aufgesetzt sein, dass nicht jedes Mal ein Data Scientist anrücken muss, wenn Änderungen anstehen. Wer KI in die Fabrik bringen will, muss sich auch mit diesen Fragen beschäftigen.

    Bild: IBM

  • Nadine Rahman, Geschäftsführung, ifm solutions: KI spielt eine wichtige Rolle auf allen Ebenen – vom intelligenten Sensor über das Edge Device bis in die Cloud. Mit unserer neuen Plattform moneo bieten wir eine Lösung, die eine Anbindung vom Shopfloor ins ERP oder in Cloudsysteme schafft. Wir brauchen aber vor allem Systeme, die Big Data in Smart Data umwandeln, damit nicht alle Rohdaten zur Auswertung in die Cloud gesendet werden müssen. Analytics und Machine Learning kann etwa direkt im Edge Device stattfinden. Auch der Anteil der Software im Sensor selbst wird größer werden. ifm ist mit dem Tochterunternehmen Statmath, das intelligente Algorithmen für Analyse, Auswertung und Nutzung großer Datenmengen entwickelt, hier gut aufgestellt.

    Bild: Ifm

  • Gunther Sälzler, Field Business Leader Architecture & Software Germany & Austria, Rockwell Automation: Künstliche Intelligenz und Machine Learning finden heute bereits Anwendung in einigen Unternehmen, die in der Industrie eine Vorreiterrolle einnehmen. Allerdings sind dies nur Puzzleteile dessen, was wir als Connected Enterprise bezeichnen. Nicht nur intelligente Module, die eigenständig Berechnungen vornehmen und einen optimierten Ansatz von Predictive und Prescriptive Maintenance ermöglichen, sind essentiell. Auch andere Aspekte – State-of-the-art-Technologien wie Augmented Reality oder automatisierte Bedrohungsanalysen – spielen eine entscheidende Rolle. Schlussendlich müssen Maschinenbauer kompatible Konzepte einsetzen, von Cybersecurity über KI bis hin zu Steuerungen, die auf das jeweilige Unternehmen zugeschnitten sind, um den Anwendungsbereich durch ihre technologischen Vorzüge zu unterstützen.

    Bild: Rockwell Automation

  • Jürgen Siefert, Vice President Industrial Automation DACH, Schneider Electric: Künstliche Intelligenz ist ein elementarer Teil der datenbasierten Ökonomie. Gestützt auf historische und Echtzeit-Daten aus dem operativen Umfeld von Maschinen können mittels KI Trends erkannt und Prognosen erstellt werden. KI unterstützt zum Beispiel die Designoptimierung oder die Inbetriebnahme von komplexeren Systemen mit Mixed Reality Anwendungen. Kunden kaufen jedoch keine KI – sie suchen Lösungen. Dazu gehören Serviceangebote wie vorausschauende oder zustandsbasierte Wartung. Und natürlich müssen sich Maschinenbauer damit beschäftigen, denn Endkunden fragen diese zusätzlichen Services verstärkt nach. Wichtig hierfür sind valide Daten. In einer Architektur wie der EcoStruxure von Schneider Electric bietet die Greenbox die Möglichkeit, Daten kompletter Anlagen zu konsolidieren und zielgruppenorientiert in einem Dashboard darzustellen.

    Bild: Schneider Electric

  • Bernhard Müller, Senior Vice President Industry 4.0, Sick: Künstlichen Intelligenz ist einfach ausgedrückt, eine moderne Art, Softwarelösungen zu erzeugen. Ein Tool, mit dem man eine schnelle und gute Lösung für ein Problem finden kann. Die wachsende Bedeutung von KI hängt zum Teil mit der Zunahme der Geschwindigkeit, Größe und Vielfalt der Daten, die Unternehmen heute sammeln, zusammen. Da KI Muster in Daten schneller erkennen kann als Menschen, erhalten Unternehmen mehr Einblick in ihre Daten. Dieses Tool kann helfen besser zu werden. Aber: Die Verwendung für den Maschinenbauer hängt davon ab, welches Problem er hat und ob es mit Hilfe der KI (besser) lösbar ist. Hier gibt es vielzählige Anwendungsszenarien, wie die Qualitätssicherung von Produkten, die Robotersteuerung oder die Optimierung von Maschinen. Hat der Maschinenbauer keine Fragestellung, die er mit KI lösen kann, ist das Tool auch nicht zwingend notwendig, um wettbewerbsfähig zu sein.

    Bild: Sick

  • Dr. Jan Stefan, Leiter Standard- und Technologie­entwicklung, Weidmüller Interface: Die wichtigste Frage, die sich jeder Anwender von KI stellen sollte, lautet: Was möchte ich damit erreichen? Geht es darum, Prozesse weiterzuentwickeln oder die Produktqualität zu optimieren oder sollen sogar neue Geschäftsmodelle realisiert werden? Die bloße Technologie der KI an sich schafft keinen direkten Mehrwert, sondern ist ein Werkzeug. Ein wichtiger Ansatzpunkt sind IIoT-Anwendungen, mit denen sich ja viele Unternehmen befassen. Hier geht es in der Regel darum, Daten aus Maschinen und Anlagen zu erfassen. Einen konkreten Nutzen liefern diese Daten allerdings erst dann, wenn sie logisch verknüpft und analysiert werden, zum Beispiel zur Früherkennung und Vorhersage von Schadensbildern. Dazu ist ein Analytics-Tool wichtig, dass das Wissen der Domänenexperten – der Spezialisten für die Anlage und den Prozess – mit einbindet, denn das ist von entscheidender Bedeutung. Mit unserer Analytics-Software „Weidmüller Industrial AutoML“ können diese Ingenieure auch ohne Expertenwissen im Bereich Data Science eigenständig KI-Lösungen entwickeln und implementieren.

    Bild: Weidmüller

Verwandte Artikel