Effizienz.

Dieser Begriff steht im Mittelpunkt der industriellen Fertigung. Von der zweiten industriellen Revolution bis zum Aufkommen des sogenannten Lean Manufacturing haben die führenden Industrieunternehmen ihre Fertigungsprozesse immer weiter optimiert. Sie haben erkannt, dass sich durch die Beseitigung von Ineffizienzen und Verschwendung im Prozess mehr Komponenten herstellen lassen, ohne dabei viele andere Dinge verändern zu müssen. Auf diesem Ansatz basiert das Produktionssystem von Toyota, das eine Just-in-Time-Produktion (JIT) anstrebt und gleichzeitig den Bestand und die Losgrößen minimiert. Der Grundgedanke hinter diesem Ansatz ist, dass ein Idealzustand von 100 Prozent Effizienz in der Praxis zwar nicht erreicht werden kann, aber das Streben nach dem Idealzustand und die Annäherung an diesen wertvoll ist. Durch die Reduzierung von Fehlern, die Beseitigung überflüssiger und nutzloser Tätigkeiten und die Steigerung des Outputs lassen sich die Kundenbedürfnisse besser erfüllen und gleichzeitig die Produktionskosten senken.

Das Konzept „Deep Learning“

Die Robotik ist eine relativ moderne Industrie und Technologie, deren Ursprünge bis in die industriellen 1920er-Jahre zurückreichen und die sich im Laufe der Zeit immer weiter entwickelt hat. So hatte die Westinghouse Electric Corporation beispielsweise einen Roboter namens Televox, der auf eine menschliche Stimme reagieren und einfache Aufgaben ausführen konnte. Heute wird die Robotik für weitaus komplexere und sogar gefährliche Aufgaben eingesetzt.

Die Fertigungsbranche erlebt derzeit einen rasanten Wandel durch Industrie 4.0 und setzt dabei neue Technologien und Ansätze ein, die ähnlich revolutionär sind wie die gewaltigen Innovationen der Vergangenheit. Das sogenannte Deep Learning nutzt diese vernetzten und aufstrebenden IoT-Technologien sowie die zunehmende Verbreitung von 5G und kombiniert sie mit Robotik und künstlicher Intelligenz (KI), um sie in der Fertigung einzusetzen.

Ein Artikel im Journal of Manufacturing Systems definiert Deep Learning als die Art und Weise, wie Entwickler komplexe Analysetools einsetzen, um Big Data zu verarbeiten und daraus zu lernen. Mit anderen Worten: Die Maschinen lernen, was die Bediener von ihnen erwarten und wie sie sich verändern sollten. Dieses Konzept nutzt modernste Analysewerkzeuge, um die Entscheidungsfindung zu verbessern und die Systemleistung zu steigern und ermöglicht so eine „intelligente“ Fertigung. Dadurch wird der Fertigungsprozess gegenüber allem Bisherigen erheblich erweitert und kommt dem von Toyota definierten Idealzustand der JIT-Fertigung sehr nahe.

Das Deep Learning kommt bei spezifischen Anwendungen zum Einsatz, wie z. B. bei der vorausschauenden Wartung, bei der Analyse zur Entwicklung vorausschauender Schritte zur Prozessverbesserung, bei der Produktentwicklung (zur Prognose der Auswirkungen von Designentscheidungen auf die Fertigung), bei der Qualitätssicherung und in der Lieferkette/Logistik. Die Vorteile dieses Ansatzes gehen weit über die Summe der einzelnen Teile hinaus. Sie schaffen neue Effizienzbereiche und bieten gleichzeitig eine größere Flexibilität und Anpassungsfähigkeit an Veränderungen bei Produkten und Prozessen. Diese Technologie kann zudem bei Störungen in der Lieferkette helfen, die durch die Pandemie aufgedeckt bzw. verschlimmert wurden: Kapazitätsauslastung und Produktionsausfälle.

Integration von Deep Learning in Fertigungsanlagen

Das Prinzip des Deep Learning ist nun definiert. Die entscheidende Frage ist jedoch: Wie kann dieser revolutionäre Ansatz in den Fertigungsbetrieben implementiert werden, um die Produktionsleistung zu verbessern? Aufgrund der deutlich geringeren Anzahl manueller Arbeitsschritte kann es für die Integration von Deep Learning erforderlich sein, die Philosophie und den Produktionsablauf durch mehrere Integrationsebenen zu verändern:

• Horizontale Integration durch operative Systeme
• Vertikale Integration durch vernetzte Fertigung
• Ganzheitliche Integration durch die End-to-End-Wertschöpfungskette

Die daraus resultierende Arbeitsweise wird häufig als „Smart Factory“ bezeichnet. Wenn diese integrierten Bereiche vorhanden sind, leitet die Fertigungsanlage den Output eines Prozesses automatisch als Input an den nächsten weiter. Der entscheidende Unterschied besteht darin, dass die Zeit für Prozessänderungen und -umstellungen reduziert wird.

Weltweit führende Unternehmen wie Whirlpool, Siemens, Hirotec und Hewlett-Packard setzen diese neue strategische Technologie bereits ein. Die Umstellung auf diese Technologie ist jedoch nicht einfach und setzt voraus, dass die Unternehmen Investitionen in Form von Kapital, Schulungen und Support tätigen, um diesen tiefgreifenden Wandel zu vollziehen. Diese Investitionen sind jedoch sehr sinnvoll: McKinsey geht davon aus, dass Deep-Learning-Anwendungen in der Fertigung und in den Lieferketten einen zusätzlichen Jahresumsatz von 1 bis 2 Billionen Dollar einbringen könnten.

Die Investitionen und die damit verbundene Umstellung sind zwar beträchtlich, aber die Technologie nutzt und verbessert bestehende Prozesse und optimiert sie bei ihrem Einsatz. Mithilfe von Sensoren, die den aktuellen Zustand erfassen, können Entwickler entsprechende Daten sammeln. Diese bilden die Grundlage für die Festlegung der Bereiche, in denen ein Prozess verbessert werden sollte. Und je detaillierter die erfassten Daten sind, desto besser können die Vorhersagemodelle Rückschlüsse auf die Leistung liefern und Verbesserungen vorschlagen.

Ein Fallbeispiel dafür ist der Televox-Roboter von Westinghouse. Heute kann der Roboter mithilfe von Vorhersagetechnologien komplexere Aufgaben übernehmen. Und durch die Anwendung von Deep Learning ist er auch in der Lage, sich selbst beizubringen, neue Aufgaben zu erkennen und auszuführen. Das bringt die Optimierung auf eine ganz neue Ebene. Zudem können die Verbesserungen im Roboter-Workflow dazu führen, dass eine zuvor manuell ausgeführte Aufgabe entfällt und der Bediener eine spezialisiertere Aufgabe übernehmen kann. Dies ist nur ein Beispiel dafür, wie Deep Learning den Fertigungsprozess positiv beeinflussen kann, indem es die Konsistenz verbessert bzw. Fehler reduziert und gleichzeitig das menschliche Kapital besser einsetzt.

Fazit

Der technologische Wandel zur Industrie 4.0 ist in vollem Gange und IoT, 5G und KI werden für eine rasante Weiterentwicklung im Bereich der Fertigung sorgen. Der Einsatz von Deep Learning wird die Innovation in der Fertigung mit der technologischen Innovation verbinden und die Industrie dadurch so stark wie nie zuvor voranbringen.