Die Geschichte der Fertigungsautomatisierung reicht viele Jahrzehnte zurück, doch mit KI und Robotik wird aktuell ein ganz neues Kapitel aufgeschlagen, weil sie nicht mehr auf hochstandardisierte Prozesse beschränkt ist. Selbst komplexe Tätigkeiten und Abläufe mit hoher Varianz lassen sich immer besser automatisieren, und auch unvorhergesehene Ereignisse bringen die Fertigung nicht mehr aus dem Tritt. Der Schlüssel ist Physical AI, die eine intelligente Steuerung von physischen Systemen in Echtzeit erlaubt und damit deren Anpassungsfähigkeit geradezu revolutioniert. Besonders vielversprechend ist der Einsatz in den folgenden Bereichen:

1. Intralogistik für Klein- und Kleinstserien

Produkte, die nur in geringer Anzahl oder indivuell gefertigt werden, stellten bislang eine logistische Herausforderung dar. Mit Physical AI ist es jedoch möglich, die richtigen Teile zur richtigen Zeit dort abzuliefern, wo sie benötigt werden. Autonome Mobile Roboter (AMR) kommissionieren sie selbstständig im Lager und transportieren sie zu den Maschinen. Dabei wählen sie die bestmögliche Route, weichen Hindernissen aus und priorisieren notfalls auch kurzfristig eintreffende Eilaufträge. Ebenso übernehmen sie den Transport von Halbfabrikaten zwischen den einzelnen Fertigungsstationen, sodass kein Leerlauf entsteht oder sich irgendwo unfertige Produkte stauen. Dadurch sinken die Durchlaufzeiten und die Termintreue nimmt zu, während Unternehmen zugleich geringere Bestandspuffer vorhalten müssen, wie verschiedene Projekte zeigen, die NTT Data bereits in der Automobilbranche und im Maschinenbau umgesetzt hat. Da die AMR kontinuierlich aus Rückmeldungen im laufenden Prozess (Closed Loop) lernen, müssen sie nicht regelmäßig auf Basis aufgezeichneter Daten nachtrainiert werden.

2. Individuelle Maschinensteuerung

Klein- und Kleinstserien erfordern viele individuelle Anpassungen an Maschinen, doch Physical AI kann diese dynamisch vornehmen. Je nach Produkt und Produktanforderungen werden die richtigen Materialien und Bauteile bestellt und anschließend korrekt verarbeitet. Dabei erkennt ein Greifer beispielsweise, was gerade vor der Maschine steht, und kann gezielt zupacken – ohne Teile umzustoßen oder zu beschädigen, selbst wenn sie ihm neu sind. Bei der Montage wählt die KI die richtigen Werkzeuge und Parameter aus, etwa beim Lackieren den gewünschten Lack und eine geeignete Düse, beim Schweißen passt sie Schweißstrom, Schweißzeit und Elektrodenkraft entsprechend der Materialart und Materialdicke an. Dadurch steigt die Variantenfähigkeit der Fertigung ganz ohne manuelle Parametrierung – die Rüstzeiten verkürzen sich deutlich und neue Produkte können schneller fehlerfrei gefertigt werden (First Time Right). In Brownfield-Umgebungen mit bestehender SPS- und MES-Landschaft (Speicherprogrammierbare Steuerungen / Manufacturing Execution System) haben sich Maschinensteuerungen auf Basis von Physical AI bereits vielfach bewährt.

3. Wartungsoptimierung

Predictive Maintenance ist nicht neu, gewinnt mit Physical AI aber an Zuverlässigkeit. Statt nur statistische Daten zu Störungen und Ausfällen in der Vergangenheit auszuwerten und darauf basierend Wartungszyklen zu optimieren, kann KI inzwischen auch Sensordaten mit einbeziehen und Verschleiß sowie Defekte zuverlässig vorhersagen. Wichtig ist, sich nicht auf einzelne Sensordaten wie Vibrationen, Geräusche, Temperaturen oder Druck zu verlassen, sondern sich durch ihre Zusammenführung – die sogenannte Sensorfusion – ein umfassendes Bild zu verschaffen. Bei Bedarf kann die KI zudem Maschinenparameter anpassen oder die Maschine rechtzeitig stoppen, um Fehlchargen oder größere Beschädigungen zu vermeiden. Wartungsfenster plant sie selbstständig, um Standzeiten optimal zu nutzen und Teile weder zu früh noch zu spät auszutauschen.

4. Automatisierte Qualitätskontrolle

Mit Kamera und KI ausgestattete Systeme können die Qualitätskontrolle in der Fertigung erheblich verbessern. Sie erkennen selbst kleinste Fehler wie mikroskopisch kleine Risse in Materialien und Beschichtungen oder leichte Verformungen und Verfärbungen von Oberflächen, die auf einen Mangel hindeuten. Sie kontrollieren Schweißnähte, Verschraubungen, Spalte und Abmessungen – und das schneller und genauer als Menschen das je könnten. Produkte, die nicht den vorgegebenen Qualitätsstandards entsprechen, sortieren sie automatisch aus oder schicken sie für Nacharbeiten an die dafür zuständigen Maschinen. Dabei liefern die Systeme dank einer Kombination aus Bildverarbeitung und Machine Learning deutlich bessere Ergebnisse als regelbasierte Vision-Systeme. Zudem lassen sie sich direkt in den Produktionsprozess integrieren, um alle tatsächlich Bauteile oder Produkte zu kontrollieren und nicht nur Stichproben. Dadurch sinken Ausschussquoten und Reklamationen.

5. Selbstoptimierende Maschinen

Eine Mischung aus den beiden vorgenannten Use Cases stellen Maschinen und Werkzeuge dar, die sich selbst optimieren. Sie nutzen eine umfangreiche Sensorik, um nicht nur die Ergebnisse ihrer Arbeit zu überprüfen, sondern auch den aktuellen Werkzeugzustand – also ob beispielsweise Verschleiß, ein Beschlag, eine Unwucht oder eine verstopfte Düse festzustellen ist. Darauf basierend werden Fertigungsparameter angepasst, um eine konstant hohe Fertigungsqualität trotz Abnutzung oder Verschmutzung sicherzustellen und gegebenenfalls Aktionen wie Reinigungen, Schmierungen, Neukalibrierungen oder ein Teileaustausch angestoßen. Ganz ähnlich lässt sich übrigens die Anlaufphase bei der Herstellung neuer Produkte optimieren: Hier werden die Testprodukte detailliert kontrolliert, um Abweichungen fest- und die Fertigungsparameter schrittweise einzustellen. Gezielt vorgenommene Parameteränderungen helfen, Ursachen und Wirkungen besser zu verstehen und den gesamten Ablauf so lange anzupassen, bis das Produktionsergebnis den Vorgaben entspricht.

6. Autonome Überwachung und Inspektion

Selbstständig agierende Drohnen und Roboter können sowohl das Werksgelände als auch den Produktionsbereich überwachen – sei es auf regelmäßigen Inspektionsrouten oder wenn Überwachungskameras und andere Sensoren eine Unregelmäßigkeit melden, etwa unbekannte Personen, offene Türen, blockierte Fluchtwege oder Rauch und Flüssigkeitslecks. Dabei decken sie auch tote Winkel ab und erreichen Stellen, die für Menschen nicht zugänglich oder gefährlich sind. Setzen sie zusätzlich zum Kamerabild auf Infrarot und LiDAR ist eine sehr detaillierte Unterscheidung von Objekten und Ereignissen möglich, auch bei schlechten Lichtverhältnissen. Je nachdem, was die Sensoren erkennen, werden dann auch Maßnahmen eingeleitet, beispielsweise der Werksschutz verständigt, Maschinen abgeschaltet und Ventile geschlossen oder Lüftungssysteme aktiviert.

7. Mensch-Maschine-Kooperation

Physical AI verbessert die Zusammenarbeit zwischen Menschen und Maschinen. Diese können im selben Arbeitsbereich tätig sein, ohne Sicherheitskäfige und Schutzzäune. Roboter erkennen beispielsweise, wenn Menschen ihren Weg kreuzen oder ihren Aktionsradius betreten, und passen ihre Bewegungen an, um niemanden zu verletzen. Mehr noch: Roboter erkennen die Haltung, Bewegungen und Gesten ihrer menschlichen Kollegen und können diese individuell unterstützen. Je nach Arbeitssituation heben sie schwere Teile und halten sie in der für eine ergonomisch schonende Bearbeitung passenden Lage, reichen das jeweils benötigte Werkzeug und liefern Bauteile just in time an oder transportieren fertig montierte Teile ab.

8. Humanoide Roboter

Roboter, deren Form und Bewegungsabläufe dem menschlichen Körper nachempfunden sind, können in der Fertigung komplexe Aufgaben übernehmen, die üblicherweise von Menschen erledigt werden. Momentan sind sie noch auf überwiegend einfache Tätigkeiten wie das Sortieren und Transportieren von Teilen beschränkt, doch die Entwicklung schreitet schnell voran. Attraktiv ist ihr Einsatz überall dort, wo Fachkräfte fehlen oder langweilige, repetitive oder körperlich belastende beziehungsweise gefährliche Tätigkeiten zu erledigen sind. Dank ihrer Arme und Beine können humanoide Roboter sich frei bewegen und in den verschiedensten Arbeitsprozessen unterstützen – und das rund um die Uhr, ohne zu ermüden. Selbst autonome Fabriken, in denen sich autonome Roboter und andere intelligente Systeme vollständig selbst organisieren, erscheinen inzwischen möglich.

Was Entscheider beachten sollten

Oliver Köth ist Managing Director Technology & Innovation bei NTT Data DACH. © NTT Data DACH.

Physical AI erfordert neben umfangreichen KI-Kompetenzen auch nahtlose IT/OT-Integrationen, schließlich müssen die intelligenten Systeme unter anderem Daten vom MES abrufen und auf SPS und SCADA-Systeme (Supervisory Control and Data Acquisition) zugreifen. Eine umfangreiche Sensorik und hohe Datenqualität sind weitere kritische Erfolgsfaktoren, da die KI ein umfassendes und präzises Bild der Prozesse und Umgebung benötigt. Unternehmen sollten die einzelnen Use Cases zunächst intensiv pilotieren und die automatisierten Abläufe anschließend standardisieren und skalieren. Governance und IT-Sicherheit müssen sie von Anfang an mitdenken – andernfalls drohen Compliance- und Sicherheitsrisiken, die aufwendige Nacharbeiten erfordern.

Sorgfältig umgesetzt, liefern Physical-AI-Projekte einen erheblichen Mehrwert. Typisch sind nach Erfahrungen von NTT Data eine Reduzierung der Stillstandszeiten zwischen 20 und 40 %, eine um 10 bis 25 % gestiegene Overall Equipment Effectiveness (OEE), die Produktion von 15 bis 30 % weniger Ausschuss und signifikant kürzere Anlaufzeiten bei der Fertigung neuer Produkte.