Einsatz von Künstlicher Intelligenz in der industriellen Produktion
Mythen, Methoden und Möglichkeiten
Prof. Dr.-Ing. Rainer Müller
Saarbrücken, 25.03.2020
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
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
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
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“
„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.“
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
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?
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
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
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.
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?
Übertragung dieser Fähigkeiten in Produktion und Büro
Produktion/Büro
Privat ?
Quelle: Smartlinefromwww.flaticon.com, www.macrumors.de
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
Agenda
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
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
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
Dialogkomponente
Übernahme der historischen Daten eines ähnlichen Bauteils
1
Verarbeitung
System zur Auswahl von Kennzeichnungstechnologien und
Informationsträger für die durchgängige Erfassung von Daten
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
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
Mensch Maschine Schnittstelle Nutzung der reproduzierten Informationen
Kennzeichnungs- funktionen
RFID
Gravur Drucker Laser
System zur Durchführung der Kennzeichnung auf dem Shop Floor
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
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
Schrauber
Mitarbeiterführungssystem Projektionssysteme
Optische Prüfungssysteme
Tracking system
Waagen
Assistierter Arbeitsplatz für die Nacharbeit am Getriebe
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
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
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 derProduktzustände durch reduzierte Sensorzahl
2
3
Auswertung der Beobachtungen
4
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
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
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
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
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
EingangAusgang
Klassifizierung/
Vorhersage der Prozesse
Prozess1 Prozess2
1 2
3
4
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
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
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
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
Text
Aufzeichnung und Visualisierung der erfassten Sensordaten
Mensch Maschine Schnittstelle
Visualisierung der erhobenen Daten
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
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
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
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.
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