Machine Learning in der Fertigung – nur Spielerei oder bereits praxistauglich?

von Jens Siebertz

„Maschinen werden in 20 Jahren alle Arbeit übernehmen können, die ein Mensch erledigen kann.“ Dies verkündete Wirtschaftsnobelpreisträger Herbert Simon bereits in den 1960er Jahren, womit er offensichtlich etwas vorschnell war. Als aber der prominente Physiker Stephen Hawking vor zwei Jahren das kommende Jahrhundert mit dem knackigen Label „Roboter werden den Menschen überlegen sein“ versah, da waren sich viele Experten einig, dass dies aufgrund des aktuellen technologischen Fortschritts durchaus realistisch ist. Nicht zuletzt liefern die Entwicklungen auf dem Gebiet des Machine Learning die Grundlage für diese Einschätzung.

Sicher ist, dass Machine Learning branchenunabhängig aktuell ein großes Thema in der Industrie ist. Firmen wie Apple, Google oder Facebook haben bereits in Startups investiert, die sich mit dem Thema auseinandersetzen. Dennoch steht häufig noch zur Debatte, wie die Trendtechnologie sinnvoll eingesetzt und inwieweit der Mensch in Zukunft durch sie ersetzt werden kann.

Zurzeit dominieren noch die Spielereien mit der Technologie die Debatte. Doch Machine Learning im eigentlichen Sinne zielt auf die Praxis ab. In erster Linie geht es dabei darum, aus Daten zu lernen, nach Mustern zu suchen und daraufhin Vorhersagen zu vorher festgelegten Fragestellungen vorzunehmen. Die Maschine lernt also selbst aus vorhandenen Datenbeständen oder aus Mustern, die ihr vom Menschen beigebracht werden, wird aber nicht mehr vom Menschen gesteuert.

Machine Learning im Manufacturing-Bereich

Gerade im Bereich Maschinen- und Anlagenbau bietet Machine Learning großes Potenzial, um Prozesse zu optimieren. Denn Maschinen und Anlagen produzieren tagtäglich eine ungeheure Masse an Daten, mit denen man sehr viel machen könnte. Voraussetzung ist natürlich, dass bereits intelligente Systeme eingesetzt werden, die diese sammeln. Doch wie diese häufig als Big Data bezeichnete Datenmasse mit Hilfe von Machine Learning in nutzbare Informationen verwandelt werden kann, steht noch als Diskussion im Raum. Mögliche Einsatzszenarien sind aber bereits angedacht.

Beispielsweise könnte es in der Produktionsplanung von großem Vorteil sein, wenn die Maschinen aus der Vergangenheit lernen. Die eingeplanten Vorgabewerte für die Fertigungsplanung sind hier häufig fehlerhaft und entsprechen nicht der Realität. Es kommt teilweise vor, dass für einen Arbeitsgang auf einer Maschine beispielsweise immer 400 Minuten geplant wurden. In Wirklichkeit benötigt die Maschine aber nur etwa 100 Minuten für diesen Arbeitsgang. Eine optimale Ressourcenauslastung kann so nicht erreicht werden. Die Produktionsprozesse laufen dann zwar reibungslos ab, da der große Zeitpuffer Stockungen verhindert, aber auch die Inaktivitätszeiten der Maschinen steigen.

Ein anderes Beispiel ist das Lieferantenmanagement. So kommt es vor, dass ein Produktionsleiter zwar seine Lieferanten aufgrund der vorhandenen Daten bewerten und im schlimmsten Fall auch abmahnen kann, der Lieferant aber dennoch zukünftig nicht rechtzeitig liefert. Wäre es in diesem Fall nicht besser, die Maschine kalkuliert die Verspätung direkt in die Planung ein?

Die Maschine würde hier aus der Vergangenheit lernen und optimale Prozesse ermöglichen. Sie „wüsste“ dann auch genau, wann sie gewartet werden muss oder ein Teil ausgetauscht werden sollte. Denn Fehler durch Verschleiß könnten vorausgesagt werden. Die Maschinenteile müssten in diesem Fall nicht mehr in regelmäßigen Abständen ausgetauscht werden, sondern das gelernte Modell gäbe eine genaue Zeit vor.

Fazit

Die Entwicklung und das Interesse im Bereich Machine Learning nimmt zu. Die Zahl möglicher Anwendungsgebiete ist endlos. Gerade im Maschinen- und Anlagenbau ist das Potenzial aufgrund der vorhandenen Datenfülle von bereits eingesetzten intelligenten Systemen sehr groß. Voraussetzung für eine sinnvolle Vorhersage sind dabei auch immer sauber gepflegte Daten. Große Denker sehen die Entwicklung von Machine Learning schon seit langer Zeit schnell voranschreiten. Dennoch können Maschinen noch nicht selbst denken und es bedarf aktuell noch menschlicher Hilfe für reibungslose Abläufe in der Fertigung.

Wie sehen Sie die Zukunft von Machine Learning in der Fertigung? 



Diese Beiträge könnten Sie auch interessieren

Business Intelligence fördert das Zusammenspiel zwischen Mensch und Computer durch Visualisierung, Predictive Analytics...

 

Erfahren Sie mehr

Weihnachts-Startschuss –Wie Sie die Vorproduktion für die Wintersaison clever einplanen

Lesen

Checkliste für einen reibungslosen Produktionsablauf

Lesen

Über den Autor

  • Jens Siebertz

    Jens Siebertz arbeitet seit 2003 bei der INFORM und beschäftigt sich hauptsächlich mit den Themenschwerpunkten Business Intelligence, Management Reporting, Data Analysis und Produktionscontrolling.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben