IoT trifft KI: Aktuelle Projekte, Use Cases und Trends

Anbieter zum Thema

KI im Maschinenbau: Die Fabrik der Zukunft konfiguriert sich selbst

Um in Zukunft flexibel und schnell auf Nachfrageänderungen reagieren zu können, ist für Produktionssysteme vor allem eine effiziente und einfache Arbeitsweise unabdinglich. Wie ein solches Szenario aussehen könnnte, demonstrieren Forscher des Forschungsinstituts des Freistaats Bayern für softwareintensive Systeme und Services (Fortiss) mit ihrer Zukunftsfabrik "Fortiss Future Factory".

Mithilfe einer kognitiven Produktionsanlage werden Methoden entwickelt, wie sich Fabriken in Zukunft von alleine an geänderte Anforderungen anpassen können. Durch den Einsatz Künstliche Intelligenz sollen vor allem Programmier- und Konfigurationskosten sinken. Herstellern will man die Möglichkeit bieten, bei Bedarf mit geringem Stillstand individuelle Produkte in kleinen Losgrößen zu fertigen. Die "Fortiss Future Factory" besteht aus zehn miteinander vernetzten und beliebig kombinierbaren Stationen, die derzeit zwei Produkte mit je drei Varianten zusammenbauen können. Vom Grundsatz her ist die Palette der Produkte, die sich mit der Anlage herstellen lassen, unendlich: Von Aufbewahrungsdosen über Thermometer bis hin zu Rasierapparaten - alles ist jmachbar, wobei sich die Mascjhine immer wieder selbstständig konfiguriert, wie die Fortiss-Forscher betonen.

"Das Besondere an den Maschinen ist, dass sie sich selbst beschreiben können und ihre Fähigkeiten in virtuelle, ,Gelbe Seiten für registrierte Maschinen‘ hinterlegen", erklärt Forschungsgruppenleiter Alois Zoitl. Erforderliche Produktbeschreibungen und Produktionsschritte sind im System gespeichert. Definierte Schnittstellen erlauben den Zugriff auf automatisch auswertbare Beschreibungen der Fähigkeiten der jeweiligen Fabrikmodule. Diese könnten bei Auftragseingang automatisch und kurzfristig umgerüstet werden, so der Wissenschaftler. Eine Planungssoftware aus dem gleichen Institut fungiert als virtueller Operator, der Aufträge einplant, vergibt, steuert und den gesamten Herstellungsprozess überwacht.

Bildergalerie

Bildergalerie mit 31 Bildern

"Kern unserer Methode ist eine klare softwareseitige Entkopplung von Produktionsmaschinen und Komponenten voneinander sowie von den herzustellenden Produkten. Dadurch wird es erstmals möglich, Produktionsmaschinen und Komponenten beliebig zu kombinieren", erläutert Zoitl. Dies werde durch höhere Rechenleistung in den Maschinen, eine höhere Vernetzungsbandbreite sowie verbesserte Algorithmen möglich gemacht.

Die Sensoren, die elementarer Bestandteil der Anlage sind, erfassen zurzeit lediglich den Betriebszustand der Maschine. Zukünftig will man aus den Sensordaten aber auch Informationen über ein mögliches Ausfallverhalten, über anstehende Wartungen oder die Produktqualität gewinnen. Die größte Herausforderung wird nach Ansicht der FORTISS-Forscher jedoch in der steigenden Komplexität der wachsenden Anzahl an Produkten und Produktionsschritten liegen.

Das Konzept der Anlage lasse sich beliebig auch auf andere Anwendungsfelder übertragen. Bei FORTISS hat man unter anderem die Textilproduktion im Fokus. So sollen Kunden künftig im Online-Shop ihre Bekleidungsstücke selbst gestalten können. Die Bestellung wird dann direkt von der wandelbaren Fabrik erledigt.

KI in der Logistik: Algorithmus versus Disponent – Frachtraum prognostiziert Zeitenwechsel

Die Logistikbranche erlebt unter dem Vorzeichen der Digitalisierung grundlegende Veränderungen und immer Berufsbilder geraten unter Anpassungsdruck. Ein gutes Beispiel dafür ist der Disponent. Seine Hauptaufgabe liegt traditionell in der Optimierung von Transporten und in der Preisfindung. Beiden Aufgaben bereits heute von Computern unterstützt.

Digitale Speditionen wie FRACHTRAUM unterfüttern gleich das komplette Geschäftsmodell mit selbstlernenden Algorithmen. Aus dieser Perspektive steht für das Berliner Unternehmen fest, dass sich die Rolle des Menschen in der Logistik-Disposition aufgrund immer besser arbeitender Algorithmen stark wandeln wird: von der Planung und Optimierung eines Transports hin zur Betreuung und dem Management der involvierten Personen.

Die Preisfindung in der Logistik unterliegt vielen Faktoren von unterschiedlicher Dynamik. Dazu gehören neben Gewicht und Streckenlänge des Transports, Feier- und Brückentagen, der Verfügbarkeit des angefragten Lkw-Typs, Lademitteltausch oder saisonalen Nachfragespitzen auch Faktoren wie die Kurzfristigkeit der Buchungsanfrage sowie der aktuelle Kraftstoffpreis.

Die Auswahl der mehr als 100 Parameter, die Disponenten bei der Ermittlung eines Transportpreises in Betracht ziehen müssen, zeigt, wie komplex und folglich fehleranfällig dieser Prozess ist. Das ist einer der Gründe, warum die großen Logistikunternehmen mit regionalen Niederlassungen arbeiten, denn Disponenten können diese Informationsdichte ausschließlich für einen regional begrenzten Raum gewährleisten. Nur dort bleibt die Komplexität des Dispositionsvorgangs überschaubar. Ein auf Machine Learning basierender Algorithmus hingegen ist in der Lage, alle relevanten Parameter innerhalb weniger Sekunden einzubeziehen und auf dieser Grundlage quasi ad-hoc einen verbindlichen Preis zu ermitteln - für jede Art von Transport.

Gleichzeitig verbessert sich die Qualität der getroffenen Lösung mit jedem durchgeführten Transport, da sich mit diesem "automatisch" die zur Verfügung stehende Datenmenge erhöht, auf deren Grundlage der Preis errechnet wird. Von vielen Seiten wird zwar nach wie vor argumentiert, der Disponent werde aufgrund seiner Erfahrung und eines geissen "Bauchgefühls" immer noch das entscheidende letzte Wort haben. Doch ind digitale Speditionen wie FRACHTRAUM von der langfristigen Überlegenheit des Algorithmus in der Preisfindung für und Optimierung von Transporten überzeugt. Deshalb sehen sie die Aufgabe des Disponenten in wachsendem Maße in der Rolle des menschlichen Bindeglieds zwischen Fahrer und Verlader.

Transportoptimierung bei Straßengütertransporten ist sehr eng verwoben mit der Lösung des sog. Vehicle Routing Problems, also der Frage, wie Lkw-Fahrten in eine optimale Sequenz zu bringen sind, damit möglichst wenig Leerfahrten absolviert und somit Kapazitäten optimal ausgenutzt werden. Analog zur Preisfindung wird die Routenoptimierung von einer Vielzahl an Faktoren beeinflusst .- z.B. durch die Transportzeit, die verfügbaren Be- und Entladefenstern oder die gesetzlich vorgeschriebenen Pausenzeiten. Jeder Faktor ist mathematisch gleichzusetzen mit einer zusätzlichen Nebenbedingung, die bei der Lösung des Problems zu berücksichtigen ist.

Selbst bei der Disposition eines einzigen Trucks ist die optimale Lösung eines solchen Gleichungssystems alles andere als trivial. Das menschliche Gehirn ist - auch im Zusammenspiel mit Kalkulationsprogrammen wie Excel - nicht für den Umgang mit derartigen Datenkonstrukten gemacht. Hochgerechnet auf ein dichtes Netzwerk an Fahrten kommt man sehr schnell an einen Punkt, an dem die Komplexität der Nebenbedingungen jeden Disponenten förmlich "erschlägt". Die Routenplanung gilt nicht umsonst als Königsdisziplin der Logistik. Hier kommt die Stärke des selbstlernenden Algorithmus immer stärker zum Tragen, da er tendenziell in der Lage ist, die komplexen Berechnungen, die für die Sequenzierung der Transporte notwendig sind, unter Einbeziehung aller relevanter Parameter in Bruchteilen von Sekunden zu bewerkstelligen.

Deshalb steht ein "Zeitenwechsel" kurz bevor: Spätestens in den nächsten fünf Jahren wird sich das Verhältnis zwischen Mensch und Computer unumkehrbar zugunsten der Algorithmen wenden und immer mehr Optimierungsaufgaben von ihnen erledigt werden, ist man bei FRACHTRAUM überzeugt. Dabei genießen die Markt-Akteure einen entscheidenden Vorteil, deren Geschäftsmodell von Anfang an technologiegetrieben waren und die ohne strukturelle Altlasten die Vorteile digitaler Entwicklung konsequent nutzen konnten. Und so führt das Berliner Startup bereits ein Jahr nach Markteintritt monatlich rund 3000 Transporte auf Basis selbstlernender Algorithmen vollautomatisch durch.

(ID:45337180)