Stellen Sie sich eine Welt vor, in der Maschinen nicht nur unsere Produkte herstellen, sondern auch denken und lernen wie wir. In diesem Artikel untersuchen wir, wie künstliche Intelligenz die Fertigungsindustrie verändert. Von intelligenten Robotern, die Teile sortieren, bis hin zur vorausschauenden Wartung, die Ausfallzeiten vermeidet - KI verändert die Produktionsprozesse. Die Leser werden acht bahnbrechende KI-Anwendungen entdecken, die die Effizienz steigern, die Qualität verbessern und die Kosten in der Fertigung senken. Tauchen Sie ein und erfahren Sie, wie die Technologie die Grenzen dessen, was Maschinen leisten können, verschiebt.
Das Konzept der künstlichen Intelligenz wurde erstmals in den 1950er Jahren, also vor mehr als sechzig Jahren, eingeführt.
Doch erst in den letzten Jahren erlebte die KI ein explosionsartiges Wachstum, was vor allem auf die Reifung von Technologien wie dem Internet der Dinge (IoT), Big Data und Cloud Computing zurückzuführen ist.
Das Internet der Dinge ermöglicht die Erfassung riesiger Datenmengen in Echtzeit, während Big Data Datenressourcen und algorithmische Unterstützung für Deep Learning bietet. Cloud Computing bietet flexible Rechenressourcen für KI.
Die organische Kombination dieser Technologien treibt die kontinuierliche Entwicklung der KI voran und führt zu erheblichen Fortschritten. Das Match zwischen AlphaGo und Lee Sedol rückte die KI in den Vordergrund und löste eine neue Welle der KI-Begeisterung aus.
Der rekordverdächtige Start von ChatGPT Ende 2022 und die Popularität von KI-Zeichenwerkzeugen wie Stable Diffusion machen das Jahr 2023 zum ersten Jahr der KI-Demokratisierung!
Die Forschung und die Anwendungen der künstlichen Intelligenz werden in verschiedenen Bereichen immer weiter ausgebaut. Mit dem Aufkommen der intelligenten Fertigungswelle wurde die künstliche Intelligenz in jeden Aspekt der Fertigungsindustrie integriert, einschließlich Design, Produktion, Management und Dienstleistungen.
Technologien und Produkte der künstlichen Intelligenz (KI) werden nach jahrelanger praktischer Erprobung inzwischen in großem Umfang eingesetzt und beschleunigen die Integration von KI in verschiedenen Branchen.
Aus technischer Sicht ist es in der Branche allgemein anerkannt, dass die Kernfähigkeiten der künstlichen Intelligenz in drei Stufen eingeteilt werden können: rechnerische Intelligenz, Wahrnehmungsintelligenz und kognitive Intelligenz.
Computerintelligenz bezieht sich auf die überlegene Speicherkapazität und die ultraschnellen Rechenfähigkeiten einer Maschine. Sie ist in der Lage, auf der Grundlage massiver Datenmengen tiefgreifende Lernprozesse durchzuführen und dabei historische Erfahrungen zu nutzen, um die aktuelle Umgebung zu steuern.
Mit der kontinuierlichen Entwicklung der Rechenleistung und der ständigen Verbesserung der Speichermethoden kann man sagen, dass die rechnerische Intelligenz verwirklicht wurde.
So hat AlphaGo mit Hilfe von Reinforcement-Learning-Technologie den Go-Weltmeister besiegt, und E-Commerce-Plattformen nutzen Deep Learning auf der Grundlage der Kaufgewohnheiten der Nutzer für personalisierte Produktempfehlungen.
Wahrnehmungsintelligenz bezieht sich auf die Fähigkeit von Maschinen, über Sinne wie Sehen, Hören und Tasten zu verfügen. Sie können unstrukturierte Daten strukturieren und mit den Nutzern auf menschliche Art und Weise kommunizieren.
Mit dem Fortschritt der verschiedenen Technologien wird der Wert von immer mehr unstrukturierten Daten erkannt und genutzt. Die Wahrnehmungsintelligenz im Zusammenhang mit Sinneseindrücken wie Stimme, Bild, Video und Berührungspunkten entwickelt sich ebenfalls rasch weiter.
Autonome Fahrzeuge und die bekannten Boston Dynamics-Roboter arbeiten mit Wahrnehmungsintelligenz; sie nehmen ihre Umgebung mit Hilfe verschiedener Sensoren wahr und verarbeiten sie, wodurch sie ihre Aktionen effektiv steuern.
Im Vergleich zur rechnerischen und wahrnehmungsbezogenen Intelligenz ist die kognitive Intelligenz komplexer; sie bezieht sich auf die Fähigkeit der Maschine, Wissen zu verstehen, zu induzieren, zu schlussfolgern und zu nutzen wie ein Mensch.
Derzeit befindet sich die Technologie der kognitiven Intelligenz noch in der Forschungs- und Erprobungsphase.
Im Bereich der öffentlichen Sicherheit geht es beispielsweise um die Extraktion von Merkmalen und die Musteranalyse von Mikro- und Makroverhalten von Kriminellen, die Entwicklung von Modellen und Systemen der künstlichen Intelligenz für die Vorhersage von Verbrechen, die Durchdringung von Fonds und die Simulation der Kriminalitätsentwicklung in Städten.
In der Finanzbranche wird sie eingesetzt, um verdächtige Transaktionen zu erkennen und makroökonomische Schwankungen vorherzusagen. Die Entwicklung der kognitiven Intelligenz muss noch weit vorangetrieben werden.
Unter dem Gesichtspunkt der Anwendung kann der Einsatz einer einzigen Technologie für künstliche Intelligenz mehrere Ebenen von Kernfähigkeiten umfassen, wie z. B. rechnerische Intelligenz und Wahrnehmungsintelligenz.
Industrieroboter, Smartphones, selbstfahrende Autos, Drohnen und andere intelligente Produkte dienen als Träger der künstlichen Intelligenz.
Diese Produkte sind durch die Kombination von Hardware und verschiedenen Softwaretypen in der Lage, in Echtzeit mit dem Benutzer und der Umwelt zu interagieren und dabei verschiedene Kernfunktionen der künstlichen Intelligenz zu integrieren.
In der Fertigung werden beispielsweise eine Vielzahl intelligenter Roboter eingesetzt: Sortier-/Kommissionierroboter können selbständig unregelmäßige Objekte erkennen und greifen.
Kollaborative Roboter sind in der Lage, ihre Umgebung zu verstehen und auf sie zu reagieren. Automatisierte Folgewagen können Gesichter erkennen und eine autonome Verfolgung einleiten.
Mit Hilfe der SLAM-Technologie (Simultaneous Localization and Mapping) können autonome mobile Roboter mit Hilfe von Onboard-Sensoren Merkmalsmarker in unbekannten Umgebungen identifizieren und dann die globalen Koordinaten des Roboters und dieser Merkmalsmarker anhand der relativen Position und der Kilometerstände schätzen.
Die Technologie des autonomen Fahrens umfasst in Bezug auf Positionierung, Umgebungswahrnehmung, Routenplanung, Verhaltensentscheidungen und Steuerung auch verschiedene Technologien und Algorithmen der künstlichen Intelligenz.
Die derzeitigen Anwendungen der künstlichen Intelligenz in der Fertigungsindustrie umfassen vor allem intelligente Sprachinteraktionsprodukte, Gesichtserkennung, Bilderkennung, Bildsuche, Spracherkennung, Texterkennung, maschinelle Übersetzung, maschinelles Lernen, Big-Data-Berechnungen und Datenvisualisierung.
Der folgende Text fasst acht gängige KI-Anwendungsszenarien zusammen, die häufig in der Fertigung eingesetzt werden.
Szenario eins: Intelligente Sortierung
Viele Aufgaben in der Fertigung erfordern eine Sortierung. Bei manueller Durchführung ist der Prozess langsam, kostspielig und hängt von der Aufrechterhaltung einer geeigneten Umgebungstemperatur ab. Der Einsatz von Industrierobotern für die intelligente Sortierung kann die Kosten erheblich senken und die Geschwindigkeit erhöhen.
Nehmen wir das Beispiel des Sortierens von Teilen. Die Teile, die sortiert werden müssen, sind oft nicht ordentlich angeordnet, und der Roboter hat zwar eine Kamera, um die Teile zu sehen, weiß aber nicht, wie er sie erfolgreich aufheben kann. In dieser Situation kann die Technologie des maschinellen Lernens eingesetzt werden.
Der Roboter führt eine zufällige Sortieraktion durch und wird dann darüber informiert, ob die Aktion erfolgreich war und ein Teil aufgenommen wurde oder nicht.
Nach mehreren Trainingsiterationen lernt der Roboter die Abfolge der Sortieraktionen mit der höchsten Erfolgsquote, die optimalen Greifpositionen für eine erfolgreiche Entnahme und die Sortierreihenfolge, die die höchste Erfolgsquote ergibt.
Nach mehrstündigem Lernen kann der Roboter eine Sortierleistung von 90% erreichen, was dem Niveau eines Facharbeiters entspricht.
Szenario zwei: Equipment Health Management
Durch Echtzeit-Überwachung von Betrieb der Maschine Daten, Merkmalsanalyse und maschinelle Lernverfahren können wir Ausfälle von Anlagen vorhersagen, bevor es zu Unfällen kommt, und so ungeplante Ausfallzeiten reduzieren.
Andererseits können wir bei plötzlichen Geräteausfällen das Problem schnell diagnostizieren, die Ursache ermitteln und entsprechende Lösungen anbieten.
Dies wird häufig in der verarbeitenden Industrie angewandt, insbesondere in den Bereichen Chemietechnik, Schwermaschinenbau, Hardwareverarbeitung, 3C-Fertigung, Windenergie und anderen Bereichen.
Nehmen Sie CNC-Werkzeugmaschinen als Beispiel. Durch den Einsatz von Algorithmen für maschinelles Lernen und intelligenten Sensoren zur Überwachung von Informationen wie Leistung, Strom und Spannung von Schneidewerkzeugeder Hauptspindel und des Vorschubmotors während des Bearbeitungsprozesses können wir die Beanspruchung, den Verschleiß und den Beschädigungszustand der Werkzeuge sowie den Stabilitätsstatus der Werkzeugmaschine ermitteln.
Auf der Grundlage dieser Zustände können wir die Bearbeitungsparameter (Spindeldrehzahl, Vorschubgeschwindigkeit) und Bearbeitungsanweisungen in Echtzeit anpassen und vorhersagen, wann das Werkzeug ausgetauscht werden muss, um die Bearbeitungsgenauigkeit zu erhöhen, die Ausfallzeiten der Produktionslinie zu verringern und die Anlagensicherheit zu verbessern.
Szenario 3: Erkennung von Oberflächenfehlern mit Hilfe von Bildverarbeitung
Die Anwendung der maschinellen Bildverarbeitung zur Erkennung von Oberflächenfehlern ist heute in der Fertigung weit verbreitet.
Mit Hilfe der maschinellen Bildverarbeitung können kleine und komplexe Produktoberflächendefekte unter ständig wechselnden Bedingungen innerhalb von Millisekunden identifiziert und klassifiziert werden, z. B. durch die Erkennung von Oberflächenverunreinigungen, Beschädigungen und Rissen.
Einige Unternehmen im Bereich der industriellen Intelligenz haben Deep Learning mit 3D-Mikroskopen kombiniert, um die Genauigkeit der Fehlererkennung auf Nanometerebene zu erhöhen.
Bei fehlerhaften Produkten kann das System automatisch feststellen, ob sie repariert werden können, den Reparaturweg und die Reparaturmethode planen und die Maschinen führen dann die Reparatur durch.
PVC-Rohre zum Beispiel sind eines der am häufigsten verwendeten Baumaterialien und werden in großen Mengen verbraucht.
Während des Produktions- und Verpackungsprozesses kann es zu Oberflächenkratzern, Vertiefungen, Wasserrippeln und matten Oberflächen kommen, was einen erheblichen Arbeitsaufwand für die Kontrolle erfordert.
Nach der Implementierung der visuellen automatischen Erkennung von Oberflächenfehlern werden Verunreinigungen auf der Rohroberfläche automatisch erkannt, indem die minimale und maximale Flächengröße eingestellt wird, mit einer minimalen Erkennungsgenauigkeit von 0,15 mm² und einer Erkennungsrate von mehr als 99%.
Kratzer auf der Rohroberfläche werden automatisch erkannt, indem die minimalen und maximalen Längen und Breiten eingestellt werden, mit einer minimalen Erkennungsgenauigkeit von 0,06 mm und einer Erkennungsrate von mehr als 99%.
Falten auf der Rohroberfläche werden automatisch erkannt, indem die minimalen und maximalen Längen, Breiten, Segmentlängen und Farbdifferenzschwellenwerte eingestellt werden, mit einer minimalen Erkennungsgenauigkeit von 10 mm und einer Erkennungsrate von mehr als 95%.
Szenario Vier: Prüfung der Produktqualität und Fehlerbestimmung auf der Grundlage von Spracherkennung
Mithilfe der Technologie zur Erkennung von Stimmabdrücken können wir automatisch anormale Geräusche erkennen, fehlerhafte Produkte identifizieren und mit einer Datenbank für Stimmabdrücke vergleichen, um Fehler zu ermitteln.
So hat das Werk von Faurecia (Wuxi) seit Ende 2018 eine umfassende Zusammenarbeit mit dem Big-Data-Science-Team des Konzerns initiiert, um die KI-Technologie bei der Bewertung der NVH-Leistung (Noise, Vibration and Harshness) von Sitzverstellungen anzuwenden.
Im Jahr 2019 hat das Faurecia-Werk (Wuxi) die KI-Technologie in die Erkennung anormaler Geräusche von Verstellgeräten integriert und damit die Automatisierung des gesamten Prozesses von der Signalerfassung über die Datenspeicherung und -analyse bis hin zum Selbstlernen realisiert. Die Erkennungseffizienz und -genauigkeit übertrifft die herkömmliche manuelle Prüfung bei weitem.
Mit der Einführung des auf KI-Technologie basierenden Geräuscherkennungssystems in der Fabrik in Wuxi konnte die Zahl der Mitarbeiter von 38 auf 3 reduziert werden. Gleichzeitig wurde die Kapazität für die Qualitätskontrolle erheblich verbessert, was einen jährlichen wirtschaftlichen Nutzen von 4,5 Millionen RMB mit sich bringt.
Szene fünf: Intelligente Entscheidungsfindung
Fertigungsunternehmen können Technologien der künstlichen Intelligenz wie maschinelles Lernen in Verbindung mit Big-Data-Analysen einsetzen, um ihre Planungsmethoden zu optimieren und ihre Entscheidungsfähigkeit in Bereichen wie Produktqualität, Betriebsmanagement, Energieverbrauchsmanagement und Werkzeugmanagement zu verbessern.
Das intelligente Produktionsmanagementsystem der FAW Jiefang Wuxi Diesel Engine Factory verfügt beispielsweise über Funktionen wie die Sammlung von Daten zu Anomalien und zur Produktionsplanung, die Diagnose anormaler Ursachen auf der Grundlage von Entscheidungsbäumen, die Vorhersage von Maschinenausfallzeiten auf der Grundlage von Regressionsanalysen und die Optimierung von Planungsentscheidungen auf der Grundlage von maschinellem Lernen.
Unter Verwendung der historischen Daten des Planungsentscheidungsprozesses und der tatsächlichen Produktionsleistungsindikatoren nach der Planung als Trainingsdatensatz und unter Verwendung von Algorithmen für neuronale Netze werden die Parameter des Algorithmus zur Bewertung der Planungsentscheidungen fein abgestimmt, um sicherzustellen, dass die Planungsentscheidungen den tatsächlichen Produktionsanforderungen entsprechen.
Szene 6: Digitale Partnerschaften
Digitales Twinning ist die Spiegelung von physischen Einheiten in der virtuellen Welt. Bei der Erstellung digitaler Zwillinge werden künstliche Intelligenz, maschinelles Lernen und Sensordaten integriert, um ein anschauliches, in Echtzeit aktualisiertes "echtes" Modell zu erstellen, das die Entscheidungsfindung während des gesamten Lebenszyklus physischer Produkte unterstützt.
Bei der Modellierung digitaler Zwillinge mit reduzierter Ordnung können komplexe und nichtlineare Modelle in neuronale Netze integriert werden. Durch den Einsatz von Deep Learning wird ein endliches Ziel festgelegt, auf dem die Modellierung reduzierter Ordnung basiert.
Bei dem herkömmlichen Modell dauert beispielsweise die Strömungs- und Wärmesimulation eines Abflusses einer Warm- und Kaltwasserleitung mit einem 16-Core-Server 57 Stunden pro Berechnung. Nach der Implementierung der Modellierung reduzierter Ordnung dauert jede Berechnung nur noch wenige Minuten.
Szene Sieben: Generative Gestaltung
Generatives Design ist ein interaktiver, selbstinnovativer Prozess. Wenn Ingenieure Produkte entwerfen, müssen sie nur die gewünschten Parameter und Leistungseinschränkungen unter Systemführung festlegen, wie Material, Gewicht, Volumen usw.
In Verbindung mit Algorithmen der künstlichen Intelligenz können so automatisch Hunderte bis Tausende praktikabler Lösungen entsprechend der Absicht des Designers generiert werden. Diese werden dann selbstständig verglichen und der optimale Entwurf wird ausgewählt und dem Designer zur endgültigen Entscheidung empfohlen.
Generatives Design hat sich zu einem neuen interdisziplinären Bereich entwickelt, der eng mit Computer- und Künstliche-Intelligenz-Technologien verbunden ist und fortschrittliche Algorithmen und Technologien auf den Designprozess anwendet.
Zu den weit verbreiteten generativen Algorithmen gehören parametrische Systeme, Shape Grammars (SG), L-Systeme, zelluläre Automaten (CA), Algorithmen zur Topologieoptimierung, evolutionäre Systeme und genetische Algorithmen.
Achter Schauplatz: Bedarfsprognose und Optimierung der Lieferkette
Durch den Einsatz künstlicher Intelligenz erstellen wir präzise Modelle für die Nachfrageprognose, die es Unternehmen ermöglichen, Absatzprognosen zu erstellen, den Bedarf an Ersatzteilen vorherzusehen und bedarfsorientierte Entscheidungen zu treffen.
Gleichzeitig formulieren wir durch die Analyse externer Daten und auf der Grundlage von Bedarfsprognosen Strategien zur Bestandsauffüllung, Lieferantenbewertung und Teileauswahl.
In einem pragmatischen Versuch, die Kosten für das Produktionsmanagement zu kontrollieren, versuchte die American Honda Motor Company beispielsweise zu verstehen, wann die Kundennachfrage in Zukunft auftreten würde.
Daher wurde ein Prognosemodell erstellt, das auf den Verkaufs- und Wartungsdaten von 1.200 Händlern basiert. Dieses Modell schätzt die Anzahl der Fahrzeuge, die in den nächsten Jahren zur Wartung zu den Händlern kommen.
Die Informationen wurden dann verwendet, um Benchmarks für die Vorbehandlung verschiedener Teile festzulegen. Durch diese Umstellung konnte American Honda eine Vorhersagegenauigkeit von bis zu 99% erreichen und die Zeit für Kundenreklamationen um das Dreifache reduzieren.
Da immer mehr Unternehmen, Universitäten und Open-Source-Organisationen in den Bereich der künstlichen Intelligenz einsteigen, führt ein großer Zustrom an erfolgreicher KI-Open-Source-Software und -Plattformen zu einem beispiellosen Boom im Bereich der künstlichen Intelligenz.
Im Vergleich zu Sektoren wie dem Finanzwesen sind die Anwendungen der KI im verarbeitenden Gewerbe zwar zahlreich, aber nicht besonders ausgeprägt, und man könnte sagen, dass ihre Entwicklung relativ langsam verlaufen ist.
Die Hauptgründe für diese Probleme liegen in den folgenden drei Bereichen:
1. Die Sammlung, Nutzung und Entwicklung von Daten während des Herstellungsprozesses stellt eine große Herausforderung dar. Darüber hinaus stützen sich die meisten Unternehmen in erster Linie auf private Datenbanken mit begrenztem Umfang, was zu einem Mangel an qualitativ hochwertigen Beispielen für maschinelles Lernen führt. Dies schränkt den Selbstlernprozess der Maschine ein.
2. Es gibt eine Vielzahl von Unterschieden zwischen den einzelnen Fertigungssektoren, was die Komplexität von Lösungen für künstliche Intelligenz erhöht und den Bedarf an kundenspezifischen Anpassungen steigert.
3. In verschiedenen Branchen fehlt es an führenden Unternehmen, die den Trend zur tiefgreifenden Integration von künstlicher Intelligenz in die Fertigung vorantreiben könnten.
Wenn diese drei kritischen Punkte angegangen werden, könnte die Technologie der künstlichen Intelligenz in der Fertigungsindustrie besser eingesetzt werden.
Als Gründer von MachineMFG habe ich mehr als ein Jahrzehnt meiner Karriere der metallverarbeitenden Industrie gewidmet. Meine umfangreiche Erfahrung hat es mir ermöglicht, ein Experte auf den Gebieten der Blechverarbeitung, der maschinellen Bearbeitung, des Maschinenbaus und der Werkzeugmaschinen für Metalle zu werden. Ich denke, lese und schreibe ständig über diese Themen und bin stets bestrebt, in meinem Bereich an vorderster Front zu bleiben. Lassen Sie mein Wissen und meine Erfahrung zu einem Gewinn für Ihr Unternehmen werden.
DE 
EN 
AR 
ES 
FR 
IT 
JA 
NL 
PT 
PT_BR 
RU 
KO