Machine Learning findet bereits in vielen Bereichen des alltäglichen Lebens Anwendung, wie dem Verkehr oder dem Gesundheitswesen. Das Fundament für eine erfolgreiche Anwendung von Machine Learning bilden Daten und deren Verfügbarkeit sowie ausreichende Rechenleistung, um diese auszuwerten. Gleichwohl wird Machine Learning bislang kaum für die Steigerung der Ressourceneffizienz in der Produktion verwendet. Im unternehmerischen Umfeld wird Machine Learning meist mit Predictive Maintenance in Verbindung gebracht. In der Produktion ergeben sich jedoch weitere vielseitige Potenziale zur Steigerung der Ressourceneffizienz:
- In der Produktionsplanung und -steuerung lässt sich Machine Learning beispielsweise in der Auftragssteuerung zur Reihenfolgebestimmung (Rüstoptimierung, Reduzierung des Energieverbrauchs oder der Energiekosten), zur Belastungsnivellierung oder zur Ressourcen- und Kapazitätsplanung nutzen
- Von der Anwendung von Machine Learning zur Prozessoptimierung wird eine höhere Anpassungsfähigkeit der Prozesse an sich ändernde Bedingungen erwartet, wodurch die Produktqualität stabilisiert werden kann. Bspw. können Fehlerdiagnosen durchgeführt oder Condition Monitoring angewendet werden
- Im Qualitätsmanagement können Machine Learning-basierte Modelle zur Überwachung oder zur Prognose der Produktqualität auf Basis von Prozessdaten eingesetzt werden. So können Maßnahmen wie die Überprüfung von Stichproben reduziert werden (s. Grafik unten)
Jedoch stehen den Unternehmen Hürden bei der Implementierung wie fehlendes Know-how, fehlender Nachweis des Mehrwerts oder fehlende technische Infrastruktur gegenüber. Im Projekt MLready wird daher untersucht, wie KMU des Maschinenbaus befähigt werden können, die Potenziale von Machine Learning zu implementieren sowie zu nutzen, um eine Verbesserung der Ressourceneffizienz in der Produktion zu erreichen.
Bei Interesse freue ich mich auf Ihre Kontaktaufnahme (ghupfer@ipri-institute.com / 0711/620 32 68 -03)!
