Räumliche KI Warum Fabriken ihre Daten besser verstehen müssen

Anbieter zum Thema

GridRaster Inc.

Bürklin GmbH & Co. KG

MES Electronic Connect GmbH & Co. KG

IBR Leiterplatten GmbH & Co. KG

Fabriken sammeln immer mehr Daten, doch viele Automatisierungsprojekte kommen nicht über die Pilotphase hinaus. Räumliche KI soll Maschinen- und Sensordaten in einen Zusammenhang bringen und so die Grundlage für bessere Entscheidungen schaffen.

Noch nie waren Fabriken so umfassend mit Messtechnik ausgestattet. Sensoren erfassen Schwingungen, Temperaturen, Drehmomente und Zykluszeiten an nahezu allen Maschinen und Anlagen. Dennoch bleibt die Automatisierung in der Produktion häufig hinter den Erwartungen zurück.

Meist gilt die Datenverarbeitung als Ursache des Problems. Tatsächlich fehlt es jedoch vor allem am Kontext, in dem diese Daten stehen. Das erklärt auch, warum viele Investitionen in Robotik und Automatisierung nicht über die Pilotphase hinauskommen.

Die fehlende räumliche Dimension

Ein Schwingungsmesswert allein sagt wenig aus. Erst wenn bekannt ist, von welcher Maschine er stammt, welche Achse betroffen ist und wie sich eine Abweichung innerhalb der nächsten 30 Sekunden auf nachgelagerte Produktionsstationen auswirken könnte, wird daraus eine verwertbare Information.

Dashboards stellen Messwerte in Tabellen und Diagrammen dar. Eine Fabrik ist jedoch ein physisches System, in dem räumliche Positionen, Bewegungen und zeitliche Abläufe das Geschehen bestimmen. Ohne ein laufend aktualisiertes räumliches Modell bleiben die Daten auf die Beschreibung von Zuständen und vergangenen Ereignissen beschränkt, statt Vorhersagen über künftige Entwicklungen zu ermöglichen.

Diese Einschränkung gewinnt an Bedeutung, je mehr Roboter und autonome Maschinen in den Fabriken zum Einsatz kommen. Denn Maschinen, die sich in gemeinsam genutzten Arbeitsbereichen bewegen, müssen nicht nur ihren eigenen Betriebszustand kennen. Sie benötigen auch Informationen darüber, wo sich andere Objekte und Maschinen befinden.

Welche Folgen fehlende Voraussetzungen haben, zeigt sich beim Übergang von Pilotprojekten in den Regelbetrieb. Nach Untersuchungen von IDC schaffen es von 33 gestarteten Proofs of Concept lediglich vier in den produktiven Einsatz. Als Ursachen nennt die Untersuchung unter anderem Defizite bei Daten, Prozessen und Infrastruktur. Viele Pilotprojekte funktionieren unter kontrollierten Bedingungen, scheitern jedoch im tatsächlichen Produktionsumfeld. Dort bewegen sich Roboter, Menschen, Förderanlagen und Materialien ständig und beeinflussen einander.

Von der Datenerfassung zum räumlichen Fabrikmodell

Hier setzt räumliche künstliche Intelligenz, kurz Spatial AI, an. Sie erstellt ein dreidimensionales Modell der Produktionsumgebung, das laufend aktualisiert wird. Dabei ordnet sie jedes erfasste Signal einer Position und den zugehörigen räumlichen beziehungsweise funktionalen Zusammenhängen zu.

Anstatt lediglich einen Alarm auszulösen, wenn ein Motor einen bestimmten Grenzwert überschreitet, berücksichtigt das System dessen Rolle im gesamten Produktionsablauf. Es erkennt beispielsweise, dass der Motor ein bestimmtes Förderband antreibt, dieses Förderband eine Roboterzelle versorgt und eine verringerte Förderleistung dazu führen könnte, dass eine nachgelagerte Verpackungslinie innerhalb von weniger als einer Minute nicht mehr ausreichend Material erhält.

Wie sich dadurch die Nutzung der Daten verändert, zeigen verschiedene Anwendungsbeispiele. Aus einer einfachen Wartungsmeldung wie „Lagertemperatur zu hoch“ kann eine Prognose werden: Das betroffene Lager wird die Leistung einer zwei Stationen weiter gelegenen Fertigungszelle beeinträchtigen. Gleichzeitig empfiehlt das System, den Materialfluss sofort umzuleiten.

Mobile Roboter wiederum können sich mithilfe einer gemeinsamen, laufend aktualisierten Umgebungskarte auch dann orientieren, wenn sich die Produktionsumgebung verändert. Sie sind damit nicht mehr auf fest vorgegebene Fahrwege angewiesen. In der Qualitätssicherung lassen sich Fehler bis zu dem genauen Ort und den Bedingungen zurückverfolgen, unter denen sie entstanden sind.

In all diesen Fällen können aus Prognosen unmittelbar Maßnahmen werden, ohne dass ein Mitarbeiter zuvor Informationen aus mehreren Anzeigen und Systemen manuell zusammenführen muss.

Damit verändern sich auch die Prioritäten bei Investitionen. Zusätzliche Sensoren und Dashboards erhöhen zwar die verfügbare Datenmenge, führen aber nicht zwangsläufig zu einem besseren Verständnis der Produktionsabläufe. Im kommenden Jahrzehnt dürften deshalb jene Fabriken im Vorteil sein, die räumliche Zusammenhänge präzise abbilden können, statt lediglich immer mehr Daten zu sammeln.

Warum sich auch die Aufgaben der Beschäftigten verändern

Technik allein kann diese Lücke allerdings nicht schließen. Ebenso wichtig ist es, die Beschäftigten auf die neuen Anforderungen vorzubereiten. Nach einer Prognose des Manufacturing Institute und von Deloitte könnte die Fertigungsindustrie zwischen 2024 und 2033 bis zu 3,8 Millionen zusätzliche Arbeitskräfte benötigen. Bis zu 1,9 Millionen dieser Stellen könnten unbesetzt bleiben. Dieselbe Untersuchung zeigt, dass die Nachfrage nach Simulationskenntnissen innerhalb von fünf Jahren um 75 Prozent gestiegen ist. Besonders gefragt sind diese Fähigkeiten in technologiegestützten Produktions- und Prüfprozessen.

Mit diesen Entwicklungen verändern sich auch die Aufgabenprofile. In einer Fertigung, die sich auf räumliche Modelle stützt, kommt es bei Technikern zunehmend weniger darauf an, eine einzelne Maschine zu bedienen. Wichtiger wird die Fähigkeit, das Gesamtsystem zu verstehen: Sie müssen Prognosen eines laufend aktualisierten Modells interpretieren, ihre Verlässlichkeit einschätzen und entscheiden können, wann sie eine automatisierte Entscheidung übersteuern müssen.

Wer solche Systeme betreut, braucht daher sowohl Datenkompetenz als auch technisches Prozessverständnis und eigenes Urteilsvermögen. Die meisten Umschulungs- und Weiterbildungsprogramme konzentrieren sich jedoch weiterhin auf Aufgaben an einzelnen Maschinen und Anlagen. Viele dieser Programme entstanden, bevor sich die Anforderungen in diese Richtung veränderten.

Betriebliche Ausbildung und praktisches Lernen am Arbeitsplatz können hier einen Beitrag leisten. Wenn Beschäftigte direkt mit laufend aktualisierten digitalen Modellen arbeiten, entwickeln sie die Fähigkeit, deren Ergebnisse einzuordnen und angemessen darauf zu reagieren. Reiner Unterricht kann solche Erfahrungen nur begrenzt vermitteln.

Unternehmen, die die Qualifizierung ihrer Mitarbeiter von Anfang an in die Einführung neuer Systeme einbeziehen, haben deshalb bessere Chancen, ihre Pilotprojekte erfolgreich in den Produktionsalltag zu überführen. Schulungen sollten nicht erst dann beginnen, wenn die Technik bereits installiert ist.

Ein Wettlauf auf zwei Ebenen

Der industrielle Wettbewerb entscheidet sich damit zunehmend auf zwei Ebenen. Die erste betrifft die technische Infrastruktur: Sensorik, Vernetzung und räumliche Modelle ermöglichen es, den aktuellen Zustand einer Fabrik über unterschiedliche Systeme hinweg gemeinsam zu erfassen und zu verstehen.

Die zweite Ebene betrifft die Beschäftigten. Sie müssen in der Lage sein, die Informationen dieser Systeme richtig zu interpretieren und daraus die passenden Maßnahmen abzuleiten.

Fortschritte auf nur einer dieser beiden Ebenen reichen nicht aus. Selbst technisch ausgereifte Systeme bleiben in der Pilotphase stecken, wenn die Beschäftigten nicht auf ihren Einsatz vorbereitet sind. Umgekehrt können auch gut qualifizierte Fachkräfte kaum über ein rein reaktives Vorgehen hinauskommen, solange ihnen nur voneinander getrennte und unvollständige Daten zur Verfügung stehen.

Wer über die nächsten Schritte nachdenkt, sollte sich deshalb zunächst einige Fragen stellen: Bei welchen Entscheidungen in der Produktion müssen Beschäftigte heute noch Informationen aus mehreren Datenquellen gedanklich zusammenführen? Wo verursachen Verzögerungen bei solchen Entscheidungen die höchsten Kosten? Und welche Aufgabenprofile müssen sich zuerst verändern, damit neue Systeme sinnvoll eingesetzt werden können?

Ein geeigneter Einstieg ist ein klar abgegrenzter Anwendungsfall mit hohem praktischem Nutzen. Werden die später verantwortlichen Beschäftigten parallel zur technischen Umsetzung geschult, lassen sich eher belastbare Ergebnisse erzielen, die anschließend auf weitere Produktionsbereiche übertragen werden können. Gleichzeitig erhalten auch skeptische Beteiligte konkrete Anhaltspunkte, anhand derer sie den Nutzen beurteilen können, statt lediglich eine weitere strategische Roadmap.

Die Fertigungsunternehmen, die beide Bereiche frühzeitig voranbringen, werden nicht nur das Tempo der Automatisierung mitbestimmen. Sie werden auch die Wettbewerbsbedingungen beeinflussen: etwa dadurch, wie schnell ihre Produktionslinien nach Störungen wieder anlaufen oder welche Werke die benötigten Fachkräfte für sich gewinnen können.

Für die Industrie rückt damit eine andere Frage in den Mittelpunkt. Entscheidend ist nicht mehr allein, wie viele Daten eine Fabrik erfassen kann, sondern wie gut sie die räumlichen Zusammenhänge versteht, in denen ihre Produktionsprozesse ablaufen. (mc)

* Dijam Panigrahi ist Mitgründer und Chief Operating Officer (COO) von GridRaster, einem Anbieter einer Spatial-Computing-Plattform für Industrie- und Fertigungsunternehmen.

(ID:50985092)