Machine Learning Vier Wege, industrielle Prozesse mithilfe von Machine Learning neu zu erfinden

Autor / Redakteur: Swami Sivasubramanian* / Stefan Guggenberger

Von der Kontrolle des Pizzabelags bis zur Auftragsprognose für internationale Elektronikhersteller – Machine-Learning-Anwendungen zeigen, wie industrielle Prozesse in der vernetzten Fertigung effizienter werden.

Firma zum Thema

ML macht es beispielsweise möglich, die durch COVID-19 schwankende Nachfrage besser zu prognostizieren.
ML macht es beispielsweise möglich, die durch COVID-19 schwankende Nachfrage besser zu prognostizieren.
(Bild: gemeinfrei / Pixabay )

Ob Dampfmaschine, Elektrizität oder die mit dem Ford Model T beginnende Massenproduktion: Die industrielle Revolution hat viele bahnbrechende Erfindungen hervorgebracht. Dabei wird oft übersehen, durch welche genialen Prozesse sie überhaupt erst ermöglicht wurden. Die heutigen Innovationen in der industriellen Fertigung – etwa neue Verfahren für die Wartung von Anlagen oder die Optimierung der Lieferkette – sind auf dem globalen Markt in einem Umfang und einer Komplexität gefragt, die Unternehmen vor große Herausforderungen stellen. Die Konvergenz von Daten und maschinellem Lernen (ML) hilft, sie zu bewältigen.

Jeden Tag generieren Unternehmen riesige Datenmengen, speichern die Informationen in der Cloud und nutzen ML-gestützte Verfahren, um neue Erkenntnisse daraus zu gewinnen und schneller fundierte Entscheidungen zu treffen. Über alle Industriezweige hinweg werden Arbeitsabläufe mithilfe von ML verbessert – von Konstruktion und Design über die Produktions- und Anlagenoptimierung bis hin zum Lieferketten-Management und der Qualitätskontrolle.

Es gibt im Wesentlichen vier Möglichkeiten, industrielle Prozesse mithilfe von ML neu zu gestalten:

1. Predictive Maintenance macht Wartung effizienter

Eine große Herausforderung für Industrie- und Fertigungsunternehmen ist die heute übliche laufende Wartung von Anlagen. Früher wurden diese entweder reaktiv (nach einem Maschinenausfall) oder präventiv (in regelmäßigen Abständen) gewartet. Beide Verfahren waren kostspielig und ineffizient. Mit Predictive Maintenance dagegen lässt sich genau vorhersehen, wann eine Maschine oder Anlage gewartet werden muss. Allerdings fehlt vielen Unternehmen das Personal und das Fachwissen, um solche Lösungen selbst zu entwickeln.

Beispielsweise der Energiekonzern GE Power nutzt für die vorausschauende Wartung End-to-End-Systeme, die anhand von Sensoren und mithilfe von ML Anomalien bei den Vibrationen oder der Temperatur von Maschinen erkennen. Da das Verfahren keine ML- oder Cloud-Kenntnisse voraussetzt, konnte GE Power seine Anlagen schnell mit Sensoren nachrüsten und mit Echtzeitanalysen in der Cloud verbinden. Auf diese Weise gelang der Übergang von einer zeitbasierten zur prädiktiven und präskriptiven Wartung. Heute wird die Sensorflotte remote aktualisiert und gewartet – ganz ohne physischen Kontakt.

2. Anomalie-Erkennung mit Computer Vision

Genauso wichtig wie ein reibungsloser Anlagenbetrieb ist die Produktqualität. Da die visuelle Inspektion durch den Menschen aufwändig ist, nutzen immer mehr Industrieunternehmen Computer-Vision-Systeme, mit denen sich Defekte und Anomalien in digitalen Fotos oder Videos aufzeigen lassen. Es gibt bereits hochpräzise und kostengünstige Lösungen, die Tausende von Bildern pro Stunde verarbeiten und so Fehler schnell und treffgenau erkennen.

Auf Computer Vision setzt auch der Lebensmittelhersteller Dafgards bei der Pizza-Produktion. Das schwedische Unternehmen nutzte zuvor eine maschinelle Bildverarbeitung, um den Käsebelag zu überprüfen. Fehler auf Pizzen mit mehreren Belägen ließen sich damit allerdings nicht erkennen. Durch einen neuen ML-Dienst für maschinelles Sehen konnte Dafgards die Inspektionskapazitäten einfach und kosteneffizient erweitern. Das Projekt war so erfolgreich, dass das Verfahren mittlerweile auch bei anderen Produktlinien zum Einsatz kommt – etwa Hamburgern und Quiches.

3. ML führt zur Verbesserung der Betriebseffizienz

Betriebsabläufe lassen sich ebenfalls mithilfe von Computer Vision verbessern. So helfen Videoaufnahmen von Industriestandorten, den Zugang zu Anlagen zu authentifizieren, Lieferungen zu kontrollieren und Leckagen oder andere gefährliche Situationen zu erkennen. Die entsprechenden Informationen in Echtzeit zu erfassen, ist allerdings schwierig, fehleranfällig und teuer. Zwar lassen sich IP-Kameras durch Smart-Kameras ersetzen, die genug Rechenleistung für das Ausführen von Computer-Vision-Modellen mitbringen. Aber selbst damit lassen sich nicht immer niedrige Latenzzeiten und präzise Bilder erzielen. Abhilfe schaffen Hardware-Appliances, die Kameras um Bildverarbeitungsfunktionen erweitern. Es gibt sogar Software Development Kits für Kameras, die aussagekräftige Bildverarbeitungsmodelle vor Ort ausführen können.

Der global tätige Energiekonzern BP will beispielsweise seine 18.000 Tankstellen weltweit ebenfalls mit Computer Vision ausstatten. Geplant ist, die Ein- und Ausfahrten von Tankwagen zu automatisieren, um Bestellungen zu überprüfen. Darüber hinaus hilft die Technologie dabei, Arbeiter vor Kollisionen zu warnen, Fremdkörper in Sperrzonen zu identifizieren und Öllecks zu erkennen.

4. Optimierte Lieferketten dank genauer Prognosen

Heutige Lieferketten sind komplexe globale Netzwerke aus Herstellern, Zulieferern, Logistikern und Einzelhändlern, die ihr Angebot an die Kundennachfrage, Schwankungen in der Rohstoffverfügbarkeit oder an externe Einflussfaktoren wie Feiertage und sogar das Wetter anpassen müssen. Ungenaue Vorhersagen verursachen hohe Kosten – etwa durch Über- und Unterkapazitäten oder schlechte Kundenerfahrungen. Im Trend liegen daher ML-Lösungen, die Zeitreihendaten analysieren und genaue Prognosen erstellen. Damit können Unternehmen Ineffizienzen im Betrieb reduzieren, die Ressourcen- und Produktverfügbarkeit erhöhen, Produkte schneller liefern und die Kosten senken.

Ein Beispiel: Beim Elektronikhersteller Foxconn gestalteten sich Kundennachfrage, Lieferungen und Kapazitäten aufgrund von COVID-19 extrem volatil. Gemeinsam mit dem Machine Learning Solutions Lab von AWS entwickelte das Unternehmen ein Modell zur Nachfrageprognose für seine Fabrik in Mexiko. Damit gelang es, den Umfang der erforderlichen Nettoaufträge genau vorherzusagen. Die Prognosegenauigkeit stieg um acht Prozent, Foxconn spart heute 553.000 US-Dollar jährlich pro Werk ein.

Echtzeit-Datenanalyse kombiniert mit Machine Learning

Auch immer mehr andere Unternehmen versuchen, das Potenzial von ML in Industrie und Fertigung sowie in der Logistik und Lieferkette auszuschöpfen, um ihre Prozesse einfacher, schneller und genauer zu machen. Mit der Kombination von Echtzeit-Datenanalyse in der Cloud und ML am Rande der Wertschöpfungskette sind die Weichen für die nächste industrielle Revolution gestellt.

* Swami Sivasubramanian ist als Vice President, Amazon Machine Learning, bei AWS tätig.

(ID:47742086)