Laut dem Fachverband Bitkom halten zwei Drittel der Unternehmen Künstliche Intelligenz für die wichtigste Zukunftstechnologie. Aber nur acht Prozent haben KI-gestützte Anwendungen im Einsatz. KI-gestützte Programme bergen jedoch viele Potentiale zur Optimierung – gerade in der Elektronikfertigung. Das Technologieunternehmen TQ hat erste KI-Projekte bereits erfolgreich umgesetzt, die in den nächsten Jahren über alle Produktionsstandorte hinweg ausgeweitet werden. Künstliche Intelligenz als übergeordneter Begriff für Methoden wie maschinelles Lernen oder Deep-Learning ist ein wesentlicher Baustein, um Informationsflüsse zu automatisieren wie etwa die Feinplanung der Produktion. Darüber hinaus ist es möglich, sehr individuelle, auf Daten aufbauende und mit unseren Daten trainierte Modelle zu entwickeln, um beispielsweise Testverfahren zu beschleunigen oder vorhersagende Verfahren im Bereich Ersatzteilmanagement oder Qualität einzuführen. Hier sind Produktivitätssprünge möglich, die durch inkrementelle Prozessverbesserung nicht erreichbar sind. Durch den systematischen Einsatz von KI können Unternehmen Ihre Wettbewerbsfähigkeit mit Hilfe beschleunigter, automatisierter und autonomer Prozesse verbessern.
Bei KI in Unternehmen geht es um den Einsatz von Software, die Technologien wie etwa das maschinelle Lernen (Machine-Learning) nutzt, um Prozesse zu automatisieren, zu beschleunigen und nicht zuletzt nachhaltiger zu gestalten. „Klassische“ Software funktioniert nach festen Regeln, wogegen KI-Programme kontinuierlich mit neuen Daten gespeist werden, dadurch hinzulernen und die erzielten Ergebnisse stetig weiteroptimieren. KI-Software erkennt Muster, bildet Verknüpfungen und meistert dadurch Herausforderungen, an denen bisherige Software scheitert.
KI zur Optimierung von Prozessen
Im Bereich der Fertigung ist in vielen Unternehmen die tägliche Einplanung von Fertigungsreihenfolgen und Beplanung von Maschinenressourcen oft noch mit manuellen Steuerungs- und Planungsaufwand verbunden. Gerade in einem Umfeld mit hoher Varianz, kleinen Stückzahlen und kurzen Lebenszyklen waren herkömmlich arbeitende Programme mit der Komplexität der Feinplanung überfordert oder unwirtschaftlich in der Erstellung.
Um die vorhandenen Betriebsmittel so effizient wie möglich zu nutzen und die wichtigste Ressource, nämlich den Mitarbeiter, von repetitiven, zeitfressenden Aufgaben zu entlasten, bietet die Optimierung der Feinplanung ein ideales Einsatzgebiet für KI. Beim Technologiedienstleister und Elektronik-Spezialisten TQ wird die Steuerung und Feinplanung mittlerweile nicht mehr manuell, sondern voll automatisiert und datengetrieben durchgeführt.
Bei einem durch das Unternehmen intern entwickelten und mittlerweile produktiv eingesetzten Tool kommt hierzu die Methode des Reinforcement Learning zur Anwendung. Dabei wird ein eigens dazu entwickelter Algorithmus mit den für den optimalen Fertigungsmix relevanten Vergangenheitsdaten aus der SMD Fertigung gespeist. Dieser bringt sich selbst bei wie eine optimale Maschinenbelegung aussieht. Im Falle von TQ wurden historische Auftrags- und Maschinenbezogene Daten aus über 5 Jahren bereitgestellt, um damit den Algorithmus zu trainieren und dessen Vorhersagen und Ergebnisse zu optimieren. Damit übernimmt das Programm vollautomatisiert den gesamten Fertigungsvorrat aus SAP und überführt diesen automatisiert in eine optimale Fertigungsreihenfolge inklusive der Linienzuordnung, der Schichtplanung und Rüstreihenfolge. Und das Ganze in weniger als 15 Minuten.
Manuell nahm dieser Vorgang bisher täglich mehrere Stunden je Fertigungsstandort in Anspruch. Der Einsatz von Machine Learning zum Beispiel bei der Feinplanung von Fertigungsressourcen birgt damit enormes Potential vorhandene Ressourcen effizienter zu nutzen und demonstriert, wie Machine-Learning und KI – richtig angewendet – in der Fertigung die Wettbewerbsfähigkeit verbessern kann.
Gleichsam sind jedoch auch die Herausforderungen in der Implementierung zu berücksichtigen. Eine Herausforderung ist sicherlich, die Brücke zwischen den KI-Experten und den Produktionsprozessexperten zu schlagen, sie zu einer gemeinsamen Lösung zu vereinen und den Know-how-Transfer zu schaffen.
Die wichtigste Säule in der Implementierung – ganz ähnlich wie beim Einsatz der Robotik – ist das Change Management. Gerade zu Beginn eines Projekts, ist ein ganz wesentlicher Punkt, dass die Mitarbeiter, die bisher etwa Prozesse manuell ausgeführt haben, einbezogen werden und an der Lösung teilhaben. Diese Vorgehensweise empfiehlt sich bei jeder Form der Automatisierung.
KI zur Beschleunigung der Qualitätskontrolle
Ein weiteres Anwendungsfeld von KI in der Praxis stellt die Qualitätskontrolle dar. Ein Beispiel zum Einsatz von KI im Bereich Qualitätskontrolle im Unternehmen, ist das Prüfen von Elektromotoren. Hier wurden Prüfumfänge und Prüfzeiten durch maschinelles Lernen bzw. KI enorm reduziert mit gleichzeitig sehr viel präziseren Ergebnissen.
Oft kommt hierbei die so genannte Supervised-Learning-Methode zum Einsatz, bei dem der Algorithmus mit „gut“ und „schlecht“-Mustern trainiert wird. Auch hier gilt, je größer der Pool an Trainingsdaten desto präziser und schneller arbeitet der Algorithmus später im Einsatz. Damit gilt gleichzeitig auch, dass der Algorithmus im produktiven Einsatz, mit steigender Anzahl an geprüften Motoren und damit einem stetig größer werdenden Pool an Trainingsdaten, bei gleicher Vorhersagegenauigkeit immer früher gut von schlecht unterscheiden kann. Im Grunde entspricht das einem automatischen kontinuierlichen Verbessern der Endprüfung von Produkten ohne Eingriff des Mitarbeiters. Auch hier lässt sich eine immense Zeitersparnis und zudem eine bessere Vorhersage der Ausfallwahrscheinlichkeit erreichen.
Ausblick in die Zukunft und welche weiteren Potentiale es zu nutzen gilt
Die oben beispielhaft beschriebenen Systeme lassen sich auf den gesamten Produktionsprozess ausweiten und können nahtlos in die bestehenden Arbeitsprozesse, z. B. durch eine Integration in das MES (Manufacturing Execution System), überführt werden.
Alles in allem bieten KI-gestützte Anwendungen enorme Potentiale, insbesondere für die Prozessoptimierung in der Elektronikfertigung. Daher ist der schrittweise und systematische Einsatz von KI in der mittel-bis langfristigen Produktionsstrategie bei TQ als eine elementare Säule verankert.
