KI-Wissen für Ingenieure (Teil 2) KI in der industriellen Praxis: Von der Theorie in die Werkshalle

Anbieter zum Thema

Fraunhofer IGCV

MES Electronic Connect GmbH & Co. KG

IBR Leiterplatten GmbH & Co. KG

DMB Technics AG

Sieben Anwendungsfälle zeigen, wie KI konkreten Nutzen in der Produktion stiftet – von der vorausschauenden Wartung bis zur agentenbasierten Konstruktion.

Im ersten Teil unserer Serie haben wir die theoretischen Grundlagen von Machine Learning und neuronalen Netzen beleuchtet. Nun geht es um den tatsächlichen Nutzen in der Werkshalle. Der industrielle Einsatz von KI unterscheidet sich wesentlich von der generativen KI in bekannten Alltags-Anwendungen:

Wenn ein Musik-Streaming-Dienst einen unpassenden Titel vorschlägt, klickt der Nutzer einfach weiter. Entscheidet eine KI in der Produktion falsch und steuert einen Roboterarm in ein Hindernis, drohen massive Anlagenschäden, Produktionsstillstände oder gar Personenschäden. Falsche Entscheidungen sind in der Industrie teuer. Die Systeme müssen robust sein. „Dementsprechend ist es im industriellen Bereich sehr, sehr wichtig, dass diese Systeme sehr robust sind“, sagt Sebastian Maier, Wissenschaftler am Fraunhofer IGCV, der für das Mittelstand-Digital-Zentrum Augsburg zum Thema referierte.

KI-Wissen für Ingenieure (Teil 1)

KI-Grundlagen: Wie lernen Maschinen in der Fabrik das Denken

In der Industrie stehen deshalb oftmals nicht die allwissenden, riesigen Modelle im Zentrum, sondern spezialisierte und effiziente KI-Lösungen, die aus Maschinendaten konkretes Wissen extrahieren. Die folgenden sieben Anwendungsfälle zeigen, wie Daten in der Automatisierung handfeste Mehrwerte schaffen.

Vorausschauende Wartung: Verschleiß erkennen, bevor die Maschine steht

Die vorausschauende Wartung (Predictive Maintenance) gehört zu den etabliertesten KI-Anwendungen im industriellen Umfeld. Das Ziel besteht darin, den Verschleißzustand von Maschinenkomponenten präzise zu ermitteln, um Ausfälle vorherzusagen. Bislang dominiert jedoch ein anderes Bild: „In der Realität sieht es aber aktuell eher so aus, man hat Wartungspläne, jede Anlage wird zu genau demselben Intervall gewartet, was natürlich zu viel, viel mehr Aufwand führt“, erklärt Sebastian Maier. Die Folge ist laut dem Wissenschaftler oftmals, „dass die Anlage eigentlich viel, viel mehr steht, als sie eigentlich müsste, weil man eben nicht genau weiß, wann sie ausfällt und dementsprechend lieber erstmal vorsorglich wartet, dass auch wirklich nichts ausfällt.“

Ein typisches Einsatzgebiet sind CNC-Maschinen. Hier erfassen Beschleunigungssensoren die Vibrationen der Achsen, oder das System analysiert die Motorströme der Antriebe. Aus diesen Messwerten leitet die KI bestimmte Frequenzbereiche ab. Anhand der Muster im Frequenzband bewertet das Modell den Verschleißzustand von Bauteilen wie Kugellagern oder Spindeln. Die Instandhaltung greift erst dann ein, wenn die KI einen drohenden Ausfall prognostiziert. Das reduziert unnötige Stillstandzeiten und schöpft die tatsächliche Lebensdauer der Komponenten vollständig aus.

Anomalieerkennung: Die Grenzen statischer Schwellwerte überwinden

Während Predictive Maintenance gezielt den Verschleiß einzelner Bauteile überwacht, blickt die Anomalieerkennung auf das Gesamtbild hochkomplexer Anlagen. Ein anschauliches Beispiel liefert der Betrieb eines Geothermie-Kraftwerks. In der Leitwarte laufen kontinuierlich Daten von über 400 Parametern zusammen – darunter Drücke, Durchflüsse und Temperaturen.

Statische Grenzwerte stoßen hier an ihre Grenzen. „Das Problem ist, in den meisten Fällen sind diese Intervalle viel zu breit gesetzt“, so Maier. Definiert der Betreiber einen festen Alarmwert, etwa bei einem Druck von 20 Bar, greift dieser oft zu spät. „Das bedeutet, wenn ich diesen Alarm eigentlich reiße oder diesen Schwellwert reiße, ist es schon viel zu spät. Ich muss vielleicht die ganze Anlage abschalten. Ich habe vielleicht schon Ausschuss produziert in meiner Anlage.“

Um dieses Problem zu lösen, kommt das sogenannte unüberwachte Lernen (Unsupervised Learning) zum Einsatz. Ein KI-Modell, in diesem Fall ein Autoencoder, analysierte Daten aus zweieinhalb Jahren im 15-Minuten-Takt. Das Modell lernt aus dieser gewaltigen Historie selbstständig die physikalischen Zusammenhänge der 400 Parameter und definiert so den Normalzustand des Kraftwerks. Im laufenden Betrieb vergleicht der Autoencoder kontinuierlich die Live-Daten mit dem von ihm erwarteten Zustand. Weichen die Werte ab, schlägt das System frühzeitig Alarm, lange bevor herkömmliche statische Schwellwerte reagieren.

Predictive Quality: Den perfekten Tortenboden berechnen

Die vorausschauende Qualitätssicherung (Predictive Quality) zielt darauf ab, Ausschuss zu vermeiden, indem sie den Produktionsprozess vorausschauend steuert. Jeder Fertigungsprozess unterliegt bestimmten Einflussgrößen. Es gibt Steuergrößen, die der Anlagenbediener aktiv einstellen kann, wie die Temperatur eines Ofens oder die Drehzahl eines Rührwerks. Gleichzeitig wirken Störgrößen auf den Prozess ein, die sich zwar messen, aber nicht direkt beeinflussen lassen. Das können Schwankungen in der Hallenluftfeuchtigkeit oder natürliche Varianzen bei Rohstoffen sein.

In der industriellen Tortenboden-Produktion erfasst eine KI diese komplexen Zusammenhänge. Das Modell lernt, wie sich Ofentemperatur, Drehzahl, Luftfeuchtigkeit und der pH-Wert der Eier auf die Zielgrößen, den Bräunungsgrad und die Backhöhe, auswirken. Mit dem Konzept der Closed-Loop Predictive Quality dreht der Betreiber den Spieß um. Maier verdeutlicht den Ansatz: „Ich kenne mein Produkt, ich weiß, welche Qualitätsmerkmale ich treffen sollte. Und ich frage jetzt einfach das Vorhersagemodell, basierend auf den Störgrößen, die ich aktuell habe, die ich ja nicht beeinflussen kann, wie steuere ich denn jetzt am besten meine Anlage, mit welcher Ofentemperatur, mit welchen Drehzahlen und so weiter, um genau diese Zielgrößen zu erreichen.“ Das senkt nicht nur die Ausschussquote auf ein Minimum, sondern erhöht auch die allgemeine Ressourceneffizienz des Betriebs.

Automatisierte Qualitätssicherung: Wenn KI genauer hinschaut

Im Bereich der optischen Qualitätskontrolle ersetzt KI zunehmend das menschliche Auge. Ein Hersteller von Kühlschränken nutzt maschinelles Lernen, um transparente Spritzgussbauteile, wie etwa Gemüse-Schubladen, auf Qualitätsmängel zu prüfen. Die Kamerasysteme sollen mikroskopisch kleine Kratzer, Risse oder schwarze Punkte (Lufteinschlüsse) identifizieren, die für das bloße Auge kaum erkennbar sind.

Doch dieser Anwendungsfall offenbart auch eine zentrale Schwachstelle vieler KI-Projekte: die Datenmenge. In einem realen Versuch standen dem Algorithmus lediglich 50 Aufnahmen fehlerhafter Bauteile zum Trainieren zur Verfügung. Mit dieser schmalen Datengrundlage erreichte das System eine Klassifikationsgenauigkeit von 86,25 Prozent. „50 ist für so ein System viel zu wenig. Es ist eigentlich schon beeindruckend, dass es damit so viel klassifizieren kann“, betont Maier.

Für einen zuverlässigen und robusten Industrieeinsatz ist dieser Wert dennoch zu gering. Experten gehen davon aus, dass in der optischen Fehlererkennung 500 bis 1.000 spezifische Fehlerbilder nötig sind, um eine Genauigkeit jenseits der 99 Prozent zu erzielen und das System sicher in die Produktionslinie zu integrieren.

Synthetische Daten: Defekte aus dem Computermodell

Fehlen diese realen Fehlerbilder, behilft sich die Industrie mit synthetischen Daten. Der einfachste Weg ist sogenannte Data Augmentation. Vorhandene Bilder werden gedreht, beschnitten oder im Kontrast verändert, um der KI mehr Lernmaterial zu bieten. Bei komplexeren Szenarien setzen Entwickler auf Simulationen und generative Ansätze.

Ein Beispiel findet sich in Anlagen zur Abfallsortierung, die Inhalte des gelben Sacks trennen. Eine genormte PET-Flasche existiert im Müll nicht; sie ist verbeult, gepresst oder verdreht. Um der KI beizubringen, diese Verformungen zu erkennen, generieren Ingenieure ideale 3D-Modelle der Flaschen. In einer physikalischen Simulation beschießen sie diese Modelle mit virtuellen Kugeln, um realistische Beulen und Knicke zu erzeugen. Die daraus gerenderten Bilder dienen als perfektes Trainingsmaterial.

Ein anderes Verfahren kam bei der Inspektion von Autobahn-Bohrkörnern zum Einsatz. Um Risse im Asphalt zuverlässig zu erkennen, existierten nicht genügend reale Aufnahmen. Mit sogenannten Generative Adversarial Networks (GANs) – Modellen, die künstliche Inhalte erzeugen – generierten die Entwickler täuschend echte Risse auf den Bohrkern-Bildern. Wichtig für den Erfolg solcher Modelle ist jedoch stets das richtige Mischungsverhältnis. Maier mahnt: „Wenn ich jetzt zu 99 Prozent synthetische Daten habe und nur drei Bilder, die real aufgenommen wurden, auch dann wird sich das Machine Learning-System schwer tun, in die Realität übertragbar zu sein. Also das Verhältnis von echten Daten zu synthetischen Daten muss hier stimmen.“

Retrieval Augmented Generation: Der Chatbot für das Firmenwissen

Neben der Auswertung von Sensordaten und Bildern hält die generative KI Einzug in die Industrie, primär im Wissensmanagement. Das endlose Suchen nach Dokumenten, Handbüchern oder Fehlerprotokollen in verschachtelten Laufwerksordnern kostet wertvolle Arbeitszeit. „Sie müssen sich überlegen, liegt das jetzt noch auf einem Laufwerklokal, auf einem PC, vielleicht auf einem Sharepoint, habe ich es auf Teams abgelegt und so weiter. Diese Suche sparen Sie sich mit so einem System“, fasst der Wissenschaftler den Nutzen zusammen. Die Lösung nennt sich Retrieval Augmented Generation (RAG).

Das System kombiniert ein Large Language Model (LLM) mit einer unternehmensinternen Vektordatenbank oder einem Knowledge-Graphen. Ein Monteur steht beispielsweise vor einer defekten Anlage, die einen spezifischen Fehlercode meldet. Anstatt in Katalogen zu blättern, tippt er den Code in den firmeninternen Chatbot ein. Ein intelligenter KI-Agent durchsucht daraufhin sekundenschnell alle hinterlegten Handbücher, Richtlinien und alten Wartungsreports. Das LLM formuliert aus den gefundenen Informationen eine präzise, leicht verständliche Handlungsanweisung. Das Unternehmen verlässt sich dabei nicht auf allgemeines Internetwissen, sondern nutzt exklusiv die verifizierte, interne Datenbasis.

Agentenbasiertes Engineering: Von der Texteingabe zum CAD-Modell

Noch einen Schritt weiter geht das agentenbasierte Engineering in der Produktentwicklung, bei dem Textanweisungen in physische Modelle übersetzt werden. Zunächst überführen Konstrukteure physikalische Regeln, Materialvorgaben und Design-Anforderungen in eine domänenspezifische Modellierung. Sie bringen das Fachwissen aus ihren Köpfen in eine strukturierte, maschinenlesbare Form.

Anschließend steuert ein KI-Agent den Designprozess. Der Konstrukteur tippt beispielsweise einen Prompt ein: „Generiere ein CAD-Modell für ein Windrad mit drei Blättern und 20 Megawatt.“ Der Agent prüft die Parameter, gleicht sie mit den hinterlegten physikalischen Regeln ab, stellt bei Bedarf Rückfragen und generiert vollautomatisch einen ersten, physikalisch validen CAD-Entwurf. Maier stellt klar: „Das ist kein perfektes Detailmodell, das am Ende rausspringt mit jeder Schraube, die richtig gesetzt ist, oder jeder Niet, der da richtig passt. Darum geht es nicht. Es geht nur darum, dass erste Entwürfe physikalisch richtig designt sind.“ Dennoch beschleunigt das Vorgehen frühe Designphasen und die Entwicklung von Produktvarianten massiv.

Fazit: Die Daten machen den Unterschied

Der Einsatz von KI in der Fertigung ist keine Zukunftsmusik mehr. Die Beispiele zeigen aber deutlich, dass KI selten als universelles, alles umfassendes Gehirn der Fabrik agiert. Es sind die spitz zugeschnittenen Anwendungen, die in speziellen Szenarien industriellen Nutzen stiften.

Der Schlüssel zum Erfolg liegt dabei fast immer in der Datenbasis. „Die KI selbst ist meistens nur so zehn Prozent des Aufwands. 90 Prozent des Aufwands liegen erstmal darin, die Daten so aufzunehmen, so zu speichern, dass man sie am Ende des Tages auch gut verwerten kann“, erklärt Maier abschließend. Unternehmen sollten KI daher nicht als Selbstzweck einführen. „Am Ende des Tages macht man KI nicht, um KI zu machen oder weil es schön klingt, sondern Sie wollen Mehrwerte für Ihr Unternehmen generieren.“ Wer diese Grundregel befolgt, ebnet den Weg von der Theorie in eine effizientere Werkshalle.

Wenn erst einmal die Daten passen, liegen noch weitere Hürden vor einem: die Implementierung sowie das rechtliche Korsett, das allen voran aus dem EU AI Act besteht. Darum geht es im dritten Teil der Artikelserie. (mc)

(ID:50904411)