Quality Engineering: Die Bundesregierung hat Ende 2018 die Strategie Künstliche Intelligenz veröffentlicht. Herr Dr. Peterek, was hat sich seitdem getan im Hinblick auf den Produktionsbereich?
Martin Peterek: In erster Linie hat sich die Sichtbarkeit des Themas verändert. In vielen Unternehmen steht der Einsatz von KI mittlerweile weit oben auf der Agenda. Parallel dazu sieht man, dass KI im alltäglichen Leben längst angekommen ist. Insbesondere der Wunsch, Informationen dann auf einer aggregierten Stufe zur Verfügung zu haben, wenn ich sie brauche. Man denke beispielsweise an die Steuerung der Heizungs-, Licht- oder Sprinkleranlage im Smart-Home-Bereich oder eine Vielzahl von App-basierten Anwendungen mit Smartphones. Das hilft natürlich ebenfalls, um Hürden und Vorbehalte gegenüber dem Thema beziehungsweise den eingesetzten Tools abzubauen, sodass man KI in der Produktion zunehmend offener gegenübersteht.
Quality Engineering: Die Forschung im Bereich KI hat von der Strategie der Bundesregierung sicher auch profitiert, oder?
Peterek: Das geht Hand in Hand. Die Durchdringung des Themas in der Forschung ist natürlich schon weiter fortgeschritten als in den produzierenden Unternehmen. Insofern sind wir in der Forschung eher ein Gradmesser. Um mal einen Anhaltspunkt zu geben: An unserem Lehrstuhl am WZL haben mittlerweile vermutlich mehr als die Hälfte der laufenden Projekte einen Bezug zu KI. Und in mindestens zehn Projekten ist KI ganz klarer Fokus.
Nun befassen wir uns nicht erst seit der Initiative der Bundesregierung mit dem Thema KI für die Produktion, sondern bereits deutlich davor. Und wir gehören sicherlich durch unsere Arbeiten in den Bereichen prozessintegrierter Sensorik, Qualitätsmanagement sowie der resultierenden Analyse von Sensordaten und Messdaten zu den Instituten in Deutschland, die hier relativ weit vorne liegen. Aber es ist ganz klar, dass die die Entwicklung seit wenigen Jahren deutlich an Geschwindigkeit gewonnen hat.
Quality Engineering: Ist KI schon ein Thema für die Fabrik oder noch ein Forschungsthema?
Peterek: Ich glaube, wir stehen jetzt genau am „Tipping-Point“. Der Übergang von der Forschung zur Praxis vollzieht sich derzeit. Das heißt, KI wird nun in immer mehr Produktionsbereichen Einzug halten. Allerdings sind die produzierenden Unternehmen in Deutschland dabei auf ganz unterschiedlichen Leveln unterwegs. Wir sehen in den Projekten außerdem immer wieder, dass vor dem Einsatz von KI-Lösungen zunächst noch Vorarbeiten notwendig sind. Insbesondere in den Bereichen Datenbanken, Datenbankstrukturen, oder Schnittstellendesign findet aktuell ein großer Transformationsprozess zu mehr Digitalisierung statt. Es wird an vielen Stellen deutlich, dass die Bereitschaft und auch der Wunsch vorhanden sind, mit KI die Produktionsprozesse zu verbessern.
Quality Engineering: Wo stehen wir nach Ihrer Einschätzung aktuell beim Einsatz von KI für die Qualitätssicherung in der Fertigung?
Peterek: Das ist gar nicht so einfach zu beantworten, weil sich die Rolle der Qualitätssicherung wandelt – und der Einsatz von KI beschleunigt diese Entwicklung: Von einer klassischen eher reaktiven Vorgehensweise, bei der eine Momentaufnahme bewertet wird – entwickeln wir uns hin zu einer datengetriebenen kontinuierlichen Prozessverbesserung. Durch die steigende Anzahl von Sensoren in den Prozessen liegt die Konzentration nicht mehr nur auf dem produzierten Bauteil oder Produkt, für das eine IO- oder NIO-Aussage getroffen werden soll. Vielmehr geht es um die Verbesserung der Qualität des Fertigungsprozesses durch die Aggregation der „Rohdaten“ hin zu einer Entscheidungsunterstützung für den Prozessverantwortlichen. Die ersten Lösungen für die Produktion auch aus unserem direkten Umfeld sind hier am Markt verfügbar, also aus dem Forschungsstadium heraus.
Quality Engineering: Haben Sie Beispiele dafür?
Peterek: Condition-Monitoring-Lösungen sind heute in der Lage, ein quasi Live-Abbild des Prozesses mit nutzerspezifischen Vorgaben beispielsweise für Koordinatenmessgeräte, Spritzgießmaschinen oder deren zentrale Bauteile oder Werkzeuge zu liefern. Damit werden Produktionsbetriebe in die Lage versetzt, den Einsatz der Ressourcen sauber zu planen und jederzeit überwachen zu können. Insbesondere die darauf aufbauenden Ansätze des Predictive Maintenance sind hier von großer Relevanz für produzierende Unternehmen. Diese Tools erlauben es, eine dynamische Betrachtung von Stichproben vorzunehmen, Wartungsintervalle prozess- und ressourcenspezifisch zu planen oder Korrelationen zwischen Parametern herzustellen, die eine Prozessoptimierung ermöglichen.
Quality Engineering: Condition Monitoring kommt nicht ohne Sensorik aus. Ist die Verfügbarkeit kostengünstigerer Sensoren ein Treiber für die Entwicklung?
Peterek: Definitiv. Sensorik, sinnvoll eingesetzt, gibt Aufschluss darüber, wo ein Prozess zu jedem Zeitpunkt steht. Verbunden mit der Definition von Grenz- oder Schwellwerten ist es möglich, die Qualität eines Bauteils zu sichern, bevor ich dieses selbst in der Hand halte. Die Sensorik verschafft eine ganz neue Qualität und auch Menge von Daten, um Prozesse ganz anders zu analysieren – insbesondere mithilfe von KI. Damit sind wir in der Lage, Korrelationen herauszuarbeiten, die auf Basis des bekannten modellbasierten Wissens nicht unbedingt direkt erkennbar sind. Das Prozessverständnis wird damit deutlich gesteigert.
Quality Engineering: Bei neueren Maschinen und Anlagen ist die Verfügbarkeit von Sensorik sicher kein Thema. Aber wie schaut es aus mit älteren Maschinen im Bestand?
Peterek: Das Nachrüsten von Maschinen und Anlagen im Bestand, die ja zum Teil 20, 30 oder auch mal 40 Jahre alt sein können, ist ein ganz heißes Thema. Wir stellen fest, dass sowohl Anwenderunternehmen als auch Maschinen- und Anlagenbauer zunehmend offen werden, Bestandsmaschinen einem Retrofit zu unterziehen. Und auch wir am WZL haben in der Entwicklung nachrüstbarer Sensorik große Fortschritte gemacht. Wir setzen bei unseren kompakten Sensoren, die sich nachträglich in die Maschine integrieren lassen, vielfach auf die Übertragung der Sensordaten über 5G. Das ermöglicht ganz neue Konzepte und Einsatzbereiche.
Quality Engineering: Gibt es auch Produktionsprozesse, bei denen einfach nicht genügend Daten für das Einlernen von Machine Learning generiert werden können?
Peterek: Die gibt es natürlich. KI ist schließlich keine Allheilmethode. Es gibt Produktionsprozesse, bei denen es schwierig ist, geeignete Daten zu generieren. Das ist immer auch eine Frage der Qualität, nicht nur der Quantität. Die WZL-Ausgründung Iconpro hat ein Browser-basiertes Tool entwickelt, das Unternehmen die Möglichkeit gibt, relativ schnell einen Blick und ein Gefühl dafür zu bekommen, ob der Prozess, den man sich anschauen will, mit Hilfe von KI-basierten Analysen optimiert werden kann. Die Daten können in Standard-Formaten verarbeitet werden und die anschließende Analyse liefert dann sehr schnell einen Einblick, was in so einem Datensatz eigentlich steckt. Ziel ist es, ein Gefühl für die Potentiale insbesondere des Machine Learning für die eigenen Prozessdaten zu entwickeln und die Hürde zum ersten Einsatz der Methoden zu senken. Die Erfahrungen zeigen, dass genau dies mit einem solchen Tool gelingt.
Quality Engineering: Das klingt so, als wenn man nur genügend Daten und Machine-Learning-Tools benötigt, um die Prozesse zu optimieren. Was ist mit dem Know-how der Experten in der Fertigung?
Peterek: Genau so funktioniert es eben nicht, dass jetzt jeder mit KI Datenanalysen erstellen und dann sagen kann, an welcher Stellschraube im Produktionsprozess gedreht werden sollte. Das Domänenwissen, das erleben wir in unseren Projekten immer wieder, ist enorm wichtig. Nur wer die Fertigungsprozesse genau kennt, kann die Werkzeuge, die beispielsweise das Machine Learning liefern kann, letztlich gewinnbringend einsetzen. Wenn die KI erkennt, dass bei steigenden Temperaturen ein Prozess aus dem Ruder zu laufen droht, dann braucht es jemanden, der versteht, ob und warum die Temperatur für diesen Prozess ein kritischer Faktor ist. Das Wissen der Produktion wird hier somit erweitert um Methoden aus dem Bereich der Informatik, aber auf gar keinen Fall ersetzt.
Quality Engineering: IT-Berater sagen allerdings, dass es egal ist, ob die mit KI zu analysierenden Daten aus dem Personalbereich oder der Produktion stammen.
Peterek: Stimmt, deren Credo lautet Daten sind Daten, egal wo sie herkommen. Da bin ich ganz klar anderer Meinung und sage, Produktionsdaten sind etwas anderes.
Quality Engineering: Wer in den Unternehmen nimmt sich heute des Themas KI an: Der Produktionsleiter, der Leiter Qualitätssicherung, die IT oder alle miteinander? Und wie sollte es sein?
Peterek: Einen Königsweg gibt es sicher nicht. Nach unseren Erfahrungen sind in den meisten Fällen die Bereiche Qualitätsmanagement beziehungsweise Qualitätssicherung die Treiber in den Unternehmen. Sie sind oftmals auch für solche Transformationsprojekte in den Unternehmen zuständig, da sie das notwendige Verständnis für Prozesse, Daten und Datenaufnahme mitbringen. Mit an Bord sind natürlich auch die Produktionsverantwortlichen und die IT ist bei den weiteren Gesprächen in der Regel immer mit dabei.
Quality Engineering: Neuronale Netze lernen komplexe Zusammenhänge aus Trainingsdaten, die für den Menschen nicht ohne weiteres nachvollziehbar sind. Deshalb spricht man hier von der Blackbox. Nun wollen Qualitätsverantwortliche typischerweise Prozesse unter Kontrolle haben. Wie aufgeschlossen stehen sie dem Blackbox-Prinzip gegenüber?
Peterek: Dazu muss man wissen, dass nicht alle KI-Methoden nach dem Blackbox-Prinzip arbeiten. Doch wenn dies der Fall ist, dann versuchen wir in den Projekten den Leuten zu erklären, dass KI keineswegs „Magic“ ist. Man kann KI und die dahinter stehenden Algorithmen schon zum Teil verständlich erklären. In der Regel kommt der Aha-Effekt, wenn bei einer Auswertung Ergebnisse und Zusammenhänge visualisiert werden, welche die Gesprächspartner schon lange vermutet haben.
Quality Engineering: Sind Sie eher Team „Wir sammeln Daten ganz gezielt“ oder Team „Wir sammeln alle Daten; wer weiß, wozu man sie braucht“?
Peterek: Ich will mich da ungern in eines der beiden Teams einordnen. Das ist immer auch vor dem Hintergrund der Anwendung und der Ressourcen zu beantworten. In einem Forschungsansatz sammeln wir eine große Menge an Daten, weil ja vorher noch nicht unbedingt klar ist, in welcher Form wir welche Information genau benötigen und wie wir diese strukturieren können. Nun betreiben wir beispielsweise im Exzellenzcluster eine IT-Infrastruktur die ein enormes Leistungspotenzial hat. Ein Unternehmen hat solche Bedingungen nicht unbedingt. Das muss die Daten eventuell in gemietete Cloud-Strukturen oder in Edge Lösungen auslagern. Gerade auch die neuesten Entwicklungen im Bereich des Edge Computing bieten hier die Chance, große Datenmengen mit KI schnell und vergleichsweise kostengünstig zu analysieren. Bei Kunststoff-Spritzgießprozessen oder in der additiven Fertigung fallen zum Beispiel schnell extrem hohe Datenmengen an, dann sollte man schon relativ genau schauen, welche Daten sinnvollerweise in den Datenbanken gespeichert werden sollen. Aber generell lässt sich festhalten: Je mehr Daten ich sammeln kann, desto besser für die anschließende Analyse.
Quality Engineering: Was ist, wenn es nicht genügend Daten gibt? Was halten Sie davon, mit einer Simulation des Produktionsprozesses Daten zu sammeln?
Peterek: Das ist natürlich auch möglich. Doch wenn man Produktionsprozesse simuliert, muss man noch größeren Wert auf die Güte der sogenannten synthetischen Daten legen. Vereinfacht ausgedrückt: Wenn ich vorne schlechte Daten reinschiebe, kann hinten nichts Gutes rauskommen und deswegen muss man bei der Simulation von Daten vorsichtig sein. Im Bereich der Bildverarbeitung setzen wir eine solche Simulation beispielsweise ein, aber in der Regel für den Zweck, ein KI-System zu trainieren, das dann nachher auf realen Daten läuft. Das heißt, sich komplett auf simulierte Daten zu verlassen, ist eine große Herausforderung und erfordert einiges an Know-how.
WZL der RWTH Aachen University
Steinbachstraße 19
52074 Aachen
Tel. +492418027400
www.wzl.rwth-aachen.de
Webinar-Tipp
KI ist auch Thema bei den beiden Webinaren, die QE gemeinsam mit dem WZL am 24. und 25.02.2021 veranstaltet.
Zur Person
Martin Peterek ist seit 2019 Geschäftsführender Oberingenieur am Werkzeugmaschinenlabor (WZL) der RWTH Aachen am Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement bei Professor Robert Schmitt. Er hat in Aachen
Wirtschaftsingenieurwesen mit der Fachrichtung
Maschinenbau studiert und dort auch bei Professor Schmitt promoviert.
