Blick in die Zukunft Wie datenbasierte Prognosen die Produktion vereinfachen

Ein Gastbeitrag von Dr. Peter Gabriel*

Anbieter zum Thema

Die Zukunft vorherzusagen ist ein Wunschtraum, der zumindest in der Produktion mit passenden Technologien ein Stück weit Realität wird. So können beispielsweise Lieferengpässe früh erkannt oder Prozesse effizienter geplant werden. Dafür benötigen Unternehmen jedoch keine Glaskugel.

Ein KI-gestützter Blick auf digitale Daten kann bereits genügen, um zukünftige Entwicklungen zu antizipieren.
Ein KI-gestützter Blick auf digitale Daten kann bereits genügen, um zukünftige Entwicklungen zu antizipieren.
(Bild: gemeinfrei / Pixabay )

Mithilfe von Datenanalysen können produzierende Unternehmen Vorhersagen für alle Abschnitte der Wertschöpfungskette treffen. Dadurch werden nicht nur effizienzsteigernde Entscheidungen möglich, sondern auch präventive Maßnahmen. So können Prozesse bereits im Vorfeld angepasst und mögliche Komplikationen oder Verzögerungen vermieden werden. Mithilfe von KI und unternehmensübergreifenden Datenplattformen gewinnen die Prognosen noch einmal deutlich an Qualität. Entsprechend hoch ist die wirtschaftliche Relevanz von Prognosen auf Basis von Künstlicher Intelligenz. Aus diesem Grund haben sich drei Projekte der durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) geförderten Technologieprogramme Smarte Datenwirtschaft und KI-Innovationswettbewerb mit jeweils unterschiedlichen Anwendungsszenarien auseinandergesetzt und machen dadurch die Kunst der Zukunftsvorhersage für die Produktion noch leichter.

Maschinenausfälle durch Predictive Maintenance minimieren

Predictive Maintenance, also vorausschauendes Instandhaltungsmanagement, ist ein Schlüsselthema, wenn es darum geht, die Produktion der Zukunft effizienter zu gestalten. Dadurch kann zum Beispiel der Maschinenverschleiß besser prognostiziert werden, sodass Wartungs- und Instandhaltungsarbeiten nicht nur zu starren Terminen, sondern bedarfsgerecht ausgeführt werden können. Auch Ausfallzeiten lassen sich damit verringern oder gar gänzlich vermeiden. Erst im letzten Jahr bestätigte eine Studie der Management- und Technologieberatung Bearing Point erneut, dass durch Predictive-Maintenance-Technologien bis zu 18 Prozent der Anlagenstillstandszeiten und bis zu 17 Prozent der Wartungs- und Servicekosten eingespart werden können – eine massive Effizienzsteigerung.

Einer breitflächigen Nutzung entsprechender Technologien steht bislang allerdings im Weg, dass es Anwendungen von unterschiedlichen Herstellern an passenden Schnittstellen fehlt. Hier will das neuartige Plattform-Ökosystem von Platona-M ansetzen. Über die Plattform werden die Maschinendaten von Herstellern und Betreibern einfach und systematisch zusammengeführt, sodass hochwertige Datenanalysen ermöglicht werden. Die Datenhoheit der Maschinenbetreiber bleibt dabei aber immer gewahrt. Im nächsten Schritt wird ein digitaler Marktplatz geschaffen, auf dem Dienstleister zahlreiche datenbasierte Angebote zu Predictive-Maintenance-Zwecken bereitstellen können.

Starke Lieferketten dank KI

Intakte Maschinenanlagen helfen Produktionsunternehmen jedoch nur bedingt, wenn es an zu verarbeitenden Ressourcen mangelt, die zum Beispiel aufgrund von Störungen oder Unterbrechungen in der Lieferkette fehlen. Besonders Ende 2021 machen etwa Lieferengpässe aufgrund der Coronapandemie fast täglich Schlagzeilen und sind eine enorme wirtschaftliche Belastung für die Unternehmen. Das Projekt Spaicer strebt an, mit Lieferproblemen verbundene Ausfallzeiten zu minimieren. Dafür behält ein KI-System permanent die Verlässlichkeit der jeweiligen Lieferketten im Auge und generiert im Notfall wirtschaftliche Alternativvorschläge, mit denen Unternehmen effizient durch Krisenszenarien navigieren können.

Zu diesem Zweck entstehen im Rahmen des Projekts branchenspezifische Smarte Resilienz-Services, kurz SRS, die individuell auf die Bedürfnisse des jeweiligen Unternehmens angepasst werden. SRS sind KI-Module, die anhand großer Datenmengen Produktionsstörungen von Lieferketten prognostizieren und Entscheidern Vorschläge zur Anpassung machen. Die SRS werden den fertigenden Unternehmen über eine digitale Plattform bereitgestellt.

Schnellere Prüfverfahren für die additive Fertigung

Ein weiterer Störfaktor, den viele Unternehmen unterschätzen: lange Prüfungs- und Zertifizierungsverfahren. Das ist insbesondere der Fall, wenn eine noch junge Technologie wie die additive Fertigung zum Einsatz kommt, bei der es bislang an Erfahrungswerten fehlt, um Güte und Qualität der gefertigten Bauteile verlässlich vorhersagen zu können. Das macht eine aufwendige Prüfung der Bauteile nach der Produktion notwendig. Hier setzt das Technologieprojekt Amcocs an: Alle Daten des Herstellungsprozesses – vom Werkstoff über den Druck bis zur Nachbearbeitung – werden auf einer Plattform zusammengeführt und mit historischen sowie laufend neu hinzugewonnenen Daten aus der Materialforschung abgeglichen. Mithilfe von KI-basierten Analysealgorithmen können Auffälligkeiten und Abweichungen von der Norm festgestellt werden, noch bevor das Bauteil gefertigt wird ─ so lassen sich Mängel frühzeitig vermeiden und die Prüf- und Zertifizierungsverfahren deutlich verkürzen. Das System lernt mit jeder Prüfung dazu, wodurch das Verfahren immer genauer wird.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Die Technologie wird zunächst im Rahmen der Luftfahrtindustrie eingesetzt, denn in dieser streng regulierten Branche sind die Zertifizierungen von Bauteilen besonders zeitintensiv. Im nächsten Schritt soll sie aber auch auf weitere Branchen ausgeweitet werden, wie beispielsweise die Medizintechnik oder den Automobilbau.

Buchtipp "Data Analytics"

Das Fachbuch bietet einen guten Überblick zu den in Produktion und Logistik anwendbaren Data Mining Algorithmen und stellt konkrete Use Cases vor, die mit diesen Algorithmen umgesetzt werden können.

Mehr erfahren bei Vogel Fachbuch

* Dr. Peter Gabriel ist in leitender Position in der Begleitforschung zum Technologieprogramm Smarte Datenwirtschaft sowie zum Innovationswettbewerb ‚Künstliche Intelligenz als Treiber für volkswirtschaftlich relevante Ökosysteme‘ des BMWK tätig.

(ID:48261201)