Einsatz von Künstlicher Intelligenz in der industriellen Produktion

(1)

Einsatz von Künstlicher Intelligenz in der industriellen Produktion

Mythen, Methoden und Möglichkeiten

Prof. Dr.-Ing. Rainer Müller

Saarbrücken, 25.03.2020

(2)

Stärken und Schwächen von KI 5

KI in der Produktion - KI zur Unterstützung der Instandhaltung 4

KI in der Produktion - Einsatz von KI an assistierten Montagearbeitsplätzen 3

KI in der Produktion - Expertensystem zur Reproduktion von limitiertem Wissen 2

Entmystifizierung von KI 1

(3)

Aufmerksamkeitsökonomie: Emotionale Schlagzeiten bringen Auflagen

Die Zeit – Ein Leben ohne Arbeit Spiegel – Durch Computer in die

Arbeitslosigkeit

Bildquelle: Spiegel, Die Zeit

Künstliche Intelligenz - Begriffsgraben zwischen öffentlicher

Berichtserstattung und tatsächlichen Fakten

(4)

Marketing: Magischer, Science-Fiction-artiger Charakter von KI Autonome Fabrik Sicheres autonomes Fahren (Fliegen) durch KI

Bildquelle: MotorTrend.com, Audi.de

Künstliche Intelligenz - Begriffsgraben zwischen öffentlicher

Berichtserstattung und tatsächlichen Fakten

(5)

Definition Künstliche Intelligenz

Elaine Rich: „Künstliche Intelligenz ist die Studie darüber, wie man Computer dazu bringt, Dinge zu tun, bei denen die Menschen im

Moment besser sind“ [ÜBERSETZT].

Eine einheitliche Definition gibt es nicht

Encyclopedia Britannica: „KI ist die Fähigkeit digitaler Computer und computergesteuerter Roboter, Aufgaben zu lösen, die normalerweise mit den höheren intellektuellen Verarbeitungsfähigkeiten von Menschen

in Verbindung gebracht werden …“

George F. Luger: „Künstliche Intelligenz lässt sich als Zweig der Informatik definieren, der sich mit der Automatisierung intelligenten

Verhaltens verfasst“

(6)

„Alexa, was ist künstliche Intelligenz?

„Im Allgemeine bezeichnet künstliche Intelligenz, KI oder AI: 1. ein Teilgebiet

der Informatik, das sich mit dem Schreiben von Computerprogrammen beschäftigt, die kreativ Probleme lösen

können; 2. Insbesondere bei Computerspielen eine nachgeahmte Intelligenz, womit durch meist einfache

Algorithmen ein intelligentes Verhalten simuliert werden soll.“

(7)

Künstliche Intelligenz wird eingesetzt, wenn eine Maschine kognitive Funktionen nachahmt, die Menschen mit anderem menschlichen Handeln

verbinden.

(Muster-) Erkennung und Vorhersage

Planung und Optimierung

Schlussfolgerung und Problemlösung

Deep Learning K-Means

State Space Search

Kombinatorische Optimierung

Expertensystem Entscheidungs-

prozess

Unser Verständnis von Künstlicher Intelligenz

(8)

Deep Learning, Machine Learning – Hype oder nicht?

 Deep Learning und Machine Learning sind 2018 auf dem Peak der

überhöhten Erwartungen

Bildquelle: Gartner.com

E rw ar tu ng en

Zeit

Folgt nach dem Peak das Tal der Tränen?

(9)

Timeline: Künstliche Intelligenz - ein neuer Hype?

Entstehung eines Forschungsgebiets KI

Chatbot Eliza simuliert Psychotherapeuten

Expertensystem Mycin für medizinische Diagnose

CYC beginnt Aufbau der bis dato größten

Wissensbasis

DeepBlue von IBM schlägt Kasparov im Schach

Autonome Autos fahren über 200 km durch die Wüste

Watson von IBM gewinnt Jeopardy

DeepMind spielt Atari 2600-Spiele besser als Experte

Microsoft

klassifiziert Bilder in ImageNet

besser als Mensch

Libratus gewinnt gegen weltbesten Pokerspieler

Google Assistant

„Guten Tag ich möchte einen Tisch reservieren“

2019 2017

2015 2013 2011

2005 1990

1980 1970

1960 1950

Quelle: Fraunhofer Allianz BigData

KI ist kein Hype des 21. Jahrhunderts

(10)

Künstliche Intelligenz – warum jetzt?

GPU Computing

Big Data:

 2,5 Quintillionen Bytes/Tag

 Entspricht 10.000.000 Blue Ray

Algorithmen:

 Maschinelles Lernen

 Deep Learning

Quelle: medium.com, intel, nvidia, google

CPU KI Chip

(11)

S ch w ac h e / S p ezia lisi e rt e KI

Starke KI  Terminator, Skynet, Zylonen, Bender …

K lassisch e /Sy m b o lisch e K I

Entscheidungsbäume Suchsysteme

Regelsysteme Tabellenbasierte Agenten

Expertensysteme

Symbolische Logik M asch ine lles Le rne n

Dee p Lea rning

Abbildung: Divisio.io

Entscheidungs- baumlernen

Mischalgorithmen Expertensystem mit NN Input

Monte Carlo Suche mit NN

Neuronale Netze LSTM

Convolutional NN Attention

Autoencoder

Linear Regression Naive Bayes

Random Forest Q-Learning

Evolutionäre Alg.

Klassische KI gegen

Maschinelles Lernen, Deep Learning und Co.

(12)

Bildquelle: medium.com

Maschinelles Lernen (ML)

Deep Learning unüberwacht überwacht

Expertensysteme

Verarbeitung

natürlicher Sprache

Inhaltsextraktion Klassifikation

Fragenbeantwortung Texterstellung

Vorstellungskraft

Sprache zu Text Maschinenvision

Sprache

Bilderkennung

Text zu Sprache

Künstliche Intelligenz

(KI)

Planung Robotik

Wissen Sie eigentlich wo Sie heute schon KI einsetzen?

(13)

Übertragung dieser Fähigkeiten in Produktion und Büro

Produktion/Büro

Privat ?

Quelle: Smartlinefromwww.flaticon.com, www.macrumors.de

(14)

Agenda

(15)



Auswahl von Kennzeichnungsträger und Identifikator gemäß Kennzeichnungs- anforderungen:

– Kundenvorgaben

– Normen, Richtlinien und Regelwerke:

 ASME

 AD2000

 …

– Prozess- und Bauteilrandbedingungen – Lesbarkeitsbedingungen



Kennzeichnung  Kombination aus Kennzeichnungsträger und Identifikator

Kennzeichnungsträger Identifikator

Schild

Gravieren Ink Jet

Nadelprägung Laser

Elektrochem.

Ätzen

Bauteildirektkennzeichnung (DPM)

Stoffschluss Magnetisch

Etikett

Kunststoff Stahlblech

Elektronische

DMC

Klartext

Strichcode

QR-Code

Dotcode A

Optische Kennzeichnungen

RFID NFC BLE-Beacon

[1]

[3]

[2]

Expertenwissen im Unternehmen ist limitiert und geht durch den demografischen Wandel verloren

Kennzeichnung von Materialien im Maschinenbau

(16)

Ganzheitliches Informationssystem zur Kennzeichnung von Materialien im Sondermaschinenbau

Bereitstellung Verarbeitung und

Auswertung Nutzung

 Abgleich von historischen und aktuellen Daten

 Reproduktion von Regelbasiertem Wissen

 Nutzung der

Informationen auf

dem Shop Floor

(17)



Ausgangspunkt:

– Bauteilzeichnung / - skizze in CAD

– Bauteil in

Teiledatenbank



Geometrischer und Attribute-basierter Ähnlichkeitsvergleich für CAD-Bauteile

Ähnlichkeitsgrad

Bereitstellung

Ergebnis: Nutzung historischer Daten ähnlicher Bauteile für das aktuelle Projekt

System zum Abgleich von historischen und aktuellen Daten

Bildquelle: Siemens

System zum Zugriff auf historische Daten durch geometrischen und

Attribute-basierten Abgleich von Bauteilen

(18)

Dialogkomponente

Übernahme der historischen Daten eines ähnlichen Bauteils

1 Verarbeitung

System zur Auswahl von Kennzeichnungstechnologien und

Informationsträger für die durchgängige Erfassung von Daten

(19)

Dialogkomponente

Ausgabe von möglichen Kennzeichnungsvarianten

1

2 Ergebnis- und Erklärungskomponente WENN DANN

Verarbeitung

System zur Auswahl von Kennzeichnungstechnologien und

Informationsträger für die durchgängige Erfassung von Daten

(20)

Verarbeitung

Bereitstellung der Informationen auf der analogen technischen Zeichnung

3 QR-Code

System zur Auswahl von Kennzeichnungstechnologien und

Informationsträger für die durchgängige Erfassung von Daten

(21)

Mensch Maschine Schnittstelle Nutzung der reproduzierten Informationen

Kennzeichnungs- funktionen

RFID

Gravur Drucker Laser

System zur Durchführung der Kennzeichnung auf dem Shop Floor

(22)

Vor- und Nachteile des Expertensystem

 Risiken

Regeln werden nicht mehr gepflegt oder sind veraltet

Vielzahl an manuell angeleiteten Regeln

Experte/(KI-) Algorithmus notwendig:

 Aktualisierung und

 Erweiterung der Regelbasis Kritische Punkte:

 Bewertung der Kennzeichnungs- varianten mithilfe historischer Anwendungsfälle

 Aktualität der Regelbasis

 Chancen

Implizites Wissen der Mitarbeiter kann reproduzierbar festgehalten werden Kennzeichnungsentscheidungen:

 Dokumentationsfähigkeit/

Nachweisbarkeit

 Objektive, mathematisch belegbare Lösungsfindung

 Objektive Lösungsbewertung möglich

Berücksichtigung der historischen Kennzeichnungsfälle in Datenbank:

 Gezielte Auswahl möglich

 Nutzung von weiteren Tools zum Auffinden „ähnlicher“

Kennzeichnungen  Geolus

(23)

(24)

Schrauber

Mitarbeiterführungssystem Projektionssysteme

Optische Prüfungssysteme

Tracking system

Waagen

Assistierter Arbeitsplatz für die Nacharbeit am Getriebe

(25)

Sc h e m a ti s c h e Fu n k ti o n s w e is e e in e s M o n ta g e a s s is te n z s y s te m s

Montageassistenz- system

Digitaler Produktzustand

Realer Produktzustand

P1 P2 P3

P4

P1 P2 P3

P4

Erwartet Erfüllung vorgegebener

Prozesse

Erfüllt Vorgaben des Assistenzsystems

Montage- Mitarbeiter

Montageprozess

Schematische Funktionsweise eines digitalen Assistenzsystems

(26)

Bei der assistierten Montage muss sichergestellt werden, dass der digitale Zwilling (digitaler Produktzustand) synchron zum tatsächlichen Produktzustand ist oder das System bleibt „stecken“

Herausforderung beim Einsatz kognitiver Montageassistenzsysteme

Serienmontage

Nacharbeit (innovativ)

P1 P2 P3 P4

P1 P2 P3

P4 P5

P7 P6

Prozesssequenz bestimmt Prüfung zum weiterschalten

Produkt lässt Alternativen zu  mehrere Betriebsmittel müssen zeitgleich prüfen 

1. Prüfung wird Ressourcen intensiv und verzögert Ablauf 2. Prüfungsergebnis kann

unzuverlässig sein

Montageprozess

(27)

Befähigung eines Montageassistenzsystems zur Anwendung in dynamischen Umgebungen

Wie kann Synchronität des physischen Produktzustands mit dem digitalen Modell sichergestellt werden?

Produkt-Prozess- Ressourcen-Modells

• Verbaureihenfolgen

• Prozesse

• Beobachtungen

(Sensorrückmeldung) Berechnung des

wahrscheinlichsten

Produktzustands und der besten Handlungsalternative

1

Beobachten der

Produktzustände durch reduzierte Sensorzahl

2

3

Auswertung der Beobachtungen

4

(28)

Vor- und Nachteile des Assistenzsystems

 Risiken

Die Steuerung agiert nur innerhalb der erfassten oder vordefinierten

Möglichkeiten (Produkt-Prozess- Ressourcen-Modell)

Auswahl der Modellparameter

entscheidet über die Güte des Modells Das Modell benötigt Parameter die außerhalb der „Montagewelt“ liegen bspw. Lernrate

 Chancen

Das Assistenzsystem synchronisiert den digitalen Produktzustand mit dem realen Produktzustand

Mitarbeiter kann Assistenzsystem nicht abhängen

Die Steuerung (Agent) wägt alle Eventualitäten und Möglichkeiten ab Die bestmögliche Vorgehensweise wird vorgeschlagen

Nächster Montageprozess Mitarbeitereingabe

(29)

Vorhersagebasierte Montageassistenz mittels Künstlicher Neuronaler Netze

Wie können Montageprozesse während der Montage klassifiziert werden?

 Es existieren verschiedene Typen von Künstlichen Neuronalen Netzen, die für verschiedene Anwendungsbereiche geeignet sind

– Feedforward Netze: Behandeln statische Daten

– Rekurrente Neuronale Netze: Behandeln Sequenzen

 Rekurrente Neuronale Netzwerke berücksichtigen den Umstand, dass die Datensequenz bedeutsam ist

– Only he told his mistress that he loved her. (Position von only verändert die Bedeutung) – He only told his mistress that he loved her.

 In der Montage kann die Sequenz der Prozesse betrachtet werden um im Vorfeld entsprechende Betriebsmittel anzusteuern oder auf Wiederholungsfehler zu schließen

(30)

Vorhersagebasierte Montageassistenz mittels Künstlicher Neuronaler Netze

Wie können Montageprozesse während der Montage klassifiziert werden?

P1 P2 P3

P4 P5

P7 P6

Zustands und wahrscheinlichkeitsbasierte Verfahren berücksichtigen eine Vielzahl von Wahrscheinlichkeiten  Erschweren Modellbildung

Parallelisierte Auswertung der

Montageprozesse durch Beobachtung der Aktionen

(31)

Analogie zum Einsatz Rekurrenter Netze am assistierten Arbeitsplatz

Der + Film + hat + mir + sehr + gut + gefallen Der + Film + hat + mir + nicht + gut + gefallen

Gut

Schlecht

Raum 1 + RaumM + Raum 3 + RaumM

Raum2 + RaumM + Raum1 + Raum3 Bewertungsanalyse

Prozessklassifikation Prozess1

Prozess2

Analogie Übertragen auf Montage

Virtueller Raum 1

Virtueller Raum2

Virtueller Raum3

Verfolgen der Handposition mittels angebrachtem Positionstracker

Definieren von virtuellen Räumen am Montagearbeitsplatz und

Assoziation mit Montageprozessen

1

2

3

4

(32)

Klassifizierung von Montageprozessen zur Synchronisation des Produktzustands mit dem digitalen Zwilling

Montage- Mitarbeiter

Produktzustand Prozess

Entnehmen aus Position 1 Fügen am Produkt

Werkzeug nehmen Verschrauben

Operationen mit Räumen assoziiert

EingangAusgang

Klassifizierung/

Vorhersage der Prozesse

Prozess1 Prozess2

1 2

3

4

(33)

Vor- und Nachteile des Assistenzsystems

 Risiken

Datenerhebung und Datensatz muss gegeben sein

Bestandsdaten müssen konsistent sein

Synthetische Daten müssen generiert werden

Mensch kann immer eine unvorhergesehene Situation herbeiführen

 Fehlklassifizierung möglich

Mensch soll unterstützt werden und dabei nicht nachlässiger werden

 Chancen

Fehler im manuellen Prozess können vorhersagebasiert vermieden werden NN können auch mit synthetischen Daten trainiert werden

Assistenzsysteme können in sehr flexiblen Montagebereichen

eingesetzt werden

 Reparatur

 Prototypenbau

 Einzelfertigung/ Manufaktur

(34)

(35)

Wa rtu n gs kos te n

Wartungszeitpunkt

korrektiv präventiv prädiktiv

Optimum

Gesamtkosten Reparaturkosten Wartungskosten

Nutzung von Daten und deren Verarbeitung

Vorhersage des Wartungszeitpunktes

Präventive und korrektive Wartung wird durch vorausschauende Wartung ersetzt.

Prädiktive Wartung von Bestandsanlagen in der industriellen

Produktion

(36)

DAV³E (MATLAB

Toolbox Automatisierter

Methodenpool Aktuelle

Maschinen- daten

Historische Maschinen-

daten

Mechanik

Vibrations- sensor Querkraft-

sensor Motorstrom-

sensor

Kraftsensor (Last)

Datenbank

A bg leich

1. Merkmalsextraktion aus zyklischen

Sensorsignalen 2. Sensorfusion

3. Datenvorverarbeitung 4. Statistischer

Modellbildung und - auswertung

Retrofitting von Bestandsanalgen zur Erfassung von

prozessrelevanten Daten

(37)

Text

Aufzeichnung und Visualisierung der erfassten Sensordaten

Mensch Maschine Schnittstelle

Visualisierung der erhobenen Daten

(38)

Zunehmender Verschleiß

1%

10%

21%

41%

50%

61%

70%

81%

90%

30%

Analyse historischer Sensordaten Einschätzung anhand aktueller Daten

Guter

Maschinen- zustand

Ersatzteile bestellen

Wartung durchführen

Aus historischen Daten werden Verschleißmuster gelernt, die vom System in Folgezyklen wiedererkannt werden.

Nutzung der Daten zur Vorhersage von Maschinenausfällen

(39)

(40)

SO

WT ST

WO

Stärken Schwächen

 Steigert die Produktivität am Arbeitsplatz (Wertschöpfung)

 Einsatz in vielen unterschiedlichen Branchen möglich

 Potenziale bei Datenanalyse,

Sachbearbeitung und Kommunikation

Chancen Risiken

 Künstliche Intelligenz bleibt unmenschlich

 Benötigt teilweise eine große Anzahl an Daten

 Fehlende internationale Standards und Regeln

 Kombination von KI mit neuen Technologien

 Weniger Belastung für den Mitarbeiter am Arbeitsplatz (87% aller Berufe sind zu mehr als 10% automatisierbar)

 Neue Arbeitsplätze entstehen

 Leicht zu automatisierende

Arbeitsplätze gehen verloren (10%

aller Arbeitsplätze sind leicht automatisierbar)

 Möglicher Kontrollverlust

 Vertrauen: Was passiert wenn KI eine Fehlentscheidung trifft?

Quelle: Pestle.com, McKinsey Global Institute, 2017; Meffert + Meffert: Eins oder Null; IAB-Forschungsbericht 11/2015

Stärken und Schwächen der Künstlichen Intelligenz

(41)

Grenzen der KI – Chihuahua oder Muffin

Quelle: today.com

Die KI war nicht in der Lage den Unterschied zwischen dem Chihuahua und dem Muffin zu erkennen.

(42)

Beschäftigung im Zeitalter Künstlicher Intelligenz Zwischen Jobverlust und Arbeitskräftemangel

In den nächsten 5 Jahren werden

Millionen Europäer in Rente gehen

Und es rücken nur halb so

viele, beschäftigte nach

Wie schließen wir die

Generationslücke?

Rückgang der Bevölkerung im Erwerbsalter (20-65 Jahre) bis 2030 um 2-4 Mio.

Künstliche Intelligenz kann uns helfen erfolgreich zu bleiben!

Quelle: Fraunhofer IAO, IAT Universität Stuttgart / Prognos, Arbeitslandschaft 2030

(43)

Kann ein Roboter meinen Beruf ausüben?

(44)