Das sogenannte Rucksackproblem aus dem Bereich der Kombinatorik befasst sich mit der Frage, wie sich Objekte optimal in einen begrenzten Raum einpassen lassen. Bei Skoda stand man mit Blick auf Transportkosten und CO2-Emissionen genau vor jener Problematik. Die Skoda Auto Logistik und Skoda-IT entwickelten daher die App Optikon, die die Logistiker dabei unterstützen soll, drei Kubikmeter pro Einheit bei klassischen 40-Fuß-Seecontainern zu sparen. „Diese KI-Anwendung ist ein großer Entwicklungsschritt auf unserem Weg, die Logistik und unsere Arbeitsprozesse zu digitalisieren“, sagt David Strnad, Leiter Markenlogistik bei der Volkswagen-Tochter.
Optikon berechnet, wie die einzelnen Frachtbestandteile platziert werden müssen, um das Containervolumen bestmöglich auszunutzen. In die Kalkulationen bezieht die App bis zu 400 Palettentypen ein, schildert Skoda-CIO Klaus Blüm. „Zusätzlich berücksichtigt das Programm eine ausgewogene Gewichtsverteilung und prüft, ob die Fracht zum richtigen Zeitpunkt verschickt wird.“ Die Logistikabteilung des tschechischen Herstellers setzt Optikon seit November 2019 insbesondere bei der Beladung von Containern mit dem Ziel Nischni Nowgorod ein. Allein im ersten Halbjahr 2020 konnte Skoda eigenen Angaben zufolge so 151 Containertransporte und 80 Tonnen CO2-Emissionen einsparen.
Der OEM verkündete im Oktober 2020 zudem den Einsatz intelligenter Bildauswertung auf dem Werksgelände in Mladá Boleslav. Im Industrie-4.0-Labor FabLab wird demnach ein Tool eingesetzt, das über Kameras einzelne Parkplätze beobachtet und analysiert. Auf der Suche nach freien Stellflächen vergleicht das System die aktuellen Aufnahmen mit zuvor hinterlegten Bildern und wird auf bestimmte Muster konditioniert. Die Bildauswertung könne dann etwa bei der Einfahrt von Lkw auf das Werksgelände unterstützen, wo täglich 2.200 Lkw vorfahren. Außerdem teste man, wie sich die Bildauswertung in der Fertigung für die prädiktive Instandhaltung verschiedener Anlagen nutzen lasse.
BMW nutzt Predictive Analytics in Gießerei
Das Einsatzgebiet intelligenter Algorithmen ist auch bei BMW stark gewachsen - unter anderem in klassischen Fertigungsbereichen wie der Gießerei. So überwacht die Leichtmetallgießerei im Werk Landshut, wo der OEM allein im vergangenen Jahr 4,3 Millionen Gusskomponenten mit einem Gesamtgewicht von 73.000 Tonnen fertigte, ihre hoch komplexe Fertigung seit Kurzem via Business Intelligence, Predictive Analytics und KI. Grundlage für die Anwendung sind Daten aus verschiedenen Systemen, in denen tausende Material-, Zustands- und Prozessparameter für jeden Gießvorgang und jedes einzelne Bauteil hinterlegt sind – angefangen von den Einflussfaktoren auf die formgebenden Sandkerne, über die Parameter der einzelnen Gießanlagen, bis hin zu den Anlagen für die anschließende Bearbeitung der Gussrohteile.
Damit Ursachenanalysen, sogenannte Root-Cause-Analysen, überhaupt durchgeführt werden können, bedarf es BMW zufolge einer sauberen Datengrundlage. Dazu werden die Maschinen- und Prozessdaten mit Qualitätsdaten verknüpft und automatisiert so aufbereitet, dass sie in Echtzeit auswertbar sind. Die verknüpften Daten werden mithilfe intelligenter Algorithmen analysiert und den Gießerei-Experten unmittelbar in visualisierter Form zur Verfügung gestellt. Überdies lassen sich über Machine Learning wiederkehrende Muster oder Auffälligkeiten in den Gießprozessen erkennen und anhand eventueller Fehlerbilder Qualitätsvorhersagen mit einer sehr großen Genauigkeit treffen (Predictive Quality).
KI erkennt Fehler in der BMW-Montage
An nur einem Produktionstag verwaltet man bei BMW 30 Millionen Teile. Die Produktions- und IT-Experten der Münchner stellten in diesem Sinne ihre Komplettlösung für KI-basierte Objekterkennung für die Montage vor. Alleine beim Volumenmodell BMW 3er ist theoretisch eine Milliarde an Varianten möglich. Weitere Derivate sowie der i4 lassen die Varianz weiter steigen. Auf KI setzt der Autokonzern daher nun bei der Montage von Einstiegsleisten. Beim 3er bieten sich bis zu zehn verschiedene Möglichkeiten. Mit klassischen Bilderkennungssystemen könne es auf eine sogenannte Pseudofehlerquote von um die fünf Prozent kommen. Abhilfe leistet hier KI: Wesentlicher Bestandteil ist das sogenannte BMW-Labeling-Tool Lite.
Für eine neue KI-Anwendung zur Objekterkennung nehmen die Produktionsmitarbeiter Fotos auf und „labeln“ diese. Anschließend optimiert sich die Software eigenständig und kann nach nur wenigen Stunden auf Basis der Labels zwischen Richtig und Falsch unterscheiden. Im Abgleich mit Live-Bildern aus der Produktion erkennt die Anwendung somit zuverlässig, ob Mitarbeiter die richtigen Teile verbaut haben. Neben der Qualitätsarbeit in der Fertigung profitieren laut Dirk Dreher, der bis September 2020 die Logistikplanung leitete, insbesondere zahlreiche Smart Transport Robots in der Logistik von diesem Selbstservice für KI-Anwendungen.
Vitesco setzt bei Prozessen auf KI
Wie künstliche Intelligenz die Fertigung von Antriebskomponenten unterstützt, zeigt Vitesco Technologies, wo insbesondere zwei Anwendungsfelder in den Blick genommen werden. Zum einen die Prozesssteuerung und -überwachung, zum anderen die Qualitätskontrolle. Bei der Prozessüberwachung werden Prozess- und Fertigungsdaten laufend überwacht und mittels Generative Adversarial Networks (GAN) Anomalien im Fertigungsprozess detektiert. Mit der KI-Methode sollen sich auch Wahrscheinlichkeiten bestimmen lassen, ob ein Teil den finalen End-of-Line-Test passiert.
Im Bereich der Qualitätskontrollen nehme die Automatisierung von visuellen Inspektionen ein zunehmend großes Feld ein, hört man vom Zulieferer. Dort werden anhand von Bilddaten die Qualität des Bauteils vorhergesagt beziehungsweise Fehler detektiert, die sich mit konventionellen Computer-Vision-Algorithmen nicht oder nur unzureichend erkennen lassen. Der Algorithmus werde in die Fertigungsmaschine eingebunden und das Ergebnis in Echtzeit berechnet. Künstliche Intelligenz ermüde nicht und bringe auch keinen subjektiven Einfluss in die Beurteilung ein, hebt der Zulieferer die Vorteile hervor.