Cluster Mechatronik & Automation

Die Mechatronic-Joint Initiative


Fortsetzung des Artikels von Teil 1

Der digitale Zwilling

Die ständig fortschreitende Vernetzung von Maschinen und ihren Bauteilen sowie ein kontinuierlich wachsender Datenpool öffnen die Tür für Technologien des digitalen Zwillings und des Internet of Things (IoT). Als technologische Treiber führen diese zu einer höheren, vom Markt geforderten Produktionsflexibilität. Hierbei kristallisiert sich bei Unternehmen der Wunsch heraus, verschiedene Varianten anzubieten und die Produktionslinien dynamisch einsetzbar zu machen.

So soll sich die Produktion weg von der herkömmlichen ‚Ein-Produkt-Fertigungsstraße‘ hin zu einer dynamisch veränderbaren Produktionsumgebung entwickeln. Dies lässt sich mithilfe spezieller Simulationsalgorithmen erreichen, die regelmäßig auf Auslöser von Veränderungen reagieren und die Produktionsarchitekturen dynamisch anpassen. Dabei umfasst die Simulation Strukturmodelle von Maschinen und ihren Komponenten, deren mechanische und elektrische Funktionen sowie die Modelle der Produktionssystemebene, um eine flexible Darstellung der Ereignisse des ‚Shopfloor‘ zu gewährleisten.

Hechtel_Michael_FAPS
Der Autor Michael Hechtel ist wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) der Friedrich-Alexander-Universität Erlangen-Nürnberg.
© FAPS

Im Fall der Nutzung des digitalen Zwillings als Vorhersage-Instrument oder Entscheidungshilfe verweist die Literatur häufig auf die Verwendung von Algorithmen des maschinellen Lernens wie ‚Supervised Classification‘ und ‚Regression‘. Ein weiterer notwendiger Punkt für die Verwendung digitaler Zwillinge ist eine vollständig vernetzte Umgebung, in der jede Maschine mit ihren Sensoren Teil der gemeinsamen Plattform ist. Aus einer solchen Industrieumgebung ergibt sich zusammen mit enorm gesteigerten Speicherkapazitäten ein immenser Datenpool bei Unternehmen. Zur Analyse können hier maschinelle Lernverfahren – insbesondere überwachte und unüberwachte Klassifikations- und Clustering-Algorithmen – genutzt werden. Ein Anwendungsgebiet für solche Analysen ist beispielsweise die Modellierung, die als eine kritische Technologie der Industrial AI (IAI) anzusehen ist. Sie offenbart die Gesetzmäßigkeiten des Produktions-prozesses: den Verschlechterungsprozess von Anlagen oder Komponenten, die Beziehung zwischen Prozessparametern und Produktqualität, die Kopplung zwischen dem Betriebsstatus der Produktionslinie und dem Komponentenprozess. Modelle spiegeln den zentralen Produktionsprozess, die Produktionskapazität und die Wettbewerbsfähigkeit von Unternehmen wider. Diese Methoden ermöglichen es Unternehmen, Kostensenkungspotenziale wahrzunehmen und die Produktion durch ein Maximum an Analysemöglichkeiten zu optimieren.

Auch für Unternehmen des Mejoin-Projekts aus dem Bereich der Medizin-Technologie spielen Vernetzung und Daten eine immer größer werdende Rolle. Im medizinischen Bereich hat die Verwendung von ICTs (Information and Communication Technologies) deutlich zugenommen. Bereiche wie Telediagnosen, Teledokumentation und Tele-Monitoring etablieren sich immer mehr. All diese Methoden basieren auf dem Transfer, Sammeln und Analysieren von Daten in Echtzeit. Algorithmen des maschinellen Lernens finden hier insbesondere Anwendung bei der Analyse von Daten aus ‚Personal Health Records‘ (PHR), persönlichen digitalen Krankenakten, die auf freiwilliger Basis mit persönlichen Patienten-Gesundheitsdaten gefüllt werden. Diese ermöglichen eine Korrelationssuche in Datensätzen zu Symptomen und Verhaltensweisen und ermöglichen prädiktive Funktionen. Aus solchen Applikationen geht ein stark steigender Wert qualitativ hochwertiger und gut gepflegter Patientendaten hervor.

Herausforderungen des Mejoin-Projekts

Obwohl bei den Mejoin-Firmen ein hohes Interesse am Einsatz von KI-Technologien besteht, ist der bisherige Implementierungsgrad gering. Dies deckt sich mit einer Erhebung des Bundesministeriums für Energie und Wirtschaft: Circa 7,7 % der Unternehmen haben Erfahrungen mit KI, von denen wiederum 12 % angeben, dass KI-Technologie den Hauptbestandteil ihres Geschäftsmodells darstellt (Stand 2020). Am weitesten verbreitet sind maschinelle Lernverfahren zur Bild- oder Tonerkennung und wissensbasierte Verfahren wie Knowledge-Graphs oder Kontexterkennung. Text- oder Stimmerkennung finden bisher seltener Anwendung.

In Japan sieht es sehr ähnlich aus: Umfragen zeigen, dass sich große Firmen, sowohl in Deutschland als auch in Japan, bereits mehrheitlich mit KI-Technologien auseinander-gesetzt haben. Bei KMU ist der Anteil viel geringer. Oft fehlt das nötige Know-how bei den Verantwortlichen – das unter anderem durch Mejoin vermittelt werden soll. Die großen Chancen für Firmen durch KI wie ‚eine höhere Prozesseffizienz‘, ‚eine Verbesserung der Vertriebs- und Lieferketten‘ sowie ‚KI-getriebenes Target- Marketing‘ werden dabei für KMU von gewissen Blockadefaktoren überschattet. Diese sind (sortiert nach abnehmender Wichtigkeit): ‚ein Fehlen von Know-how und qualifizierten Arbeitskräften‘, ‚ein Fehlen von qualitativ hochwertigen Daten‘ sowie ‚Datensicherheitsbedenken‘. Besonders in Deutschland, wo momentan bereits circa 100.000 IT-Fachkräfte fehlen – Tendenz steigend – spielt das Fehlen von Know-how und qualifizierten Arbeitnehmern eine hervorgehobene Rolle. Da der Kampf auf dem Arbeitsmarkt um entsprechende Fachkräfte die Attraktivität von KI-Technologie, insbesondere für KMU, negativ beeinflusst, spielen alternative Möglichkeiten, Know-how aufzubauen, eine besondere Rolle. Kooperationen zwischen Unternehmen auf verschiedenen Ebenen der Wertschöpfungskette oder in branchenübergreifender Art können eine solche Alternative darstellen. Gerade in Ländern wie Deutschland, in denen mehr als 90 % der Unternehmen KMU sind, spielen deshalb Kooperationsprojekte wie Mejoin eine große und wichtige Rolle für den Aufbau von neuen Grundlagen-Technologien in KMU.


  1. Die Mechatronic-Joint Initiative
  2. Der digitale Zwilling
  3. Das Konsortium

Das könnte Sie auch interessieren

Verwandte Artikel

Robotik

Künstliche Intelligenz

Markt