Unternehmen setzen Industrielle Intelligenz ein, um entscheidende Vorteile gegenüber ihren Wettbewerbern zu erzielen. Durch die geschickte Kombination verschiedener KI-Methoden können sie
Hannover Messe 2021 - Digital Edition - 25 Min.
maintenance Online Days 2021 - 27 Min.
Hannover Messe 2018 - 2 Min.
Ziel von STAPL ist die intelligente Nutzung von Sensor- und Diagnosedaten aus ÖPNV-Fahrzeugen für die wirtschaftliche Nutzung der Fahrzeuge und die weitere Verbesserung der CO2-Bilanz. Im Forschungsprojekt wird eine Systemarchitektur erarbeitet und durch Feldtests validiert. Dabei werden Daten aus unterschiedlichen Fahrzeugtypen und -komponenten verschiedener Hersteller gesammelt, mit externen Daten angereichert und durch Anwendung KI-basierter Tools analysiert und veredelt.
Weitere Informationen
Im Forschungsprojekt werden die Grundlagen für den Einsatz von elektrischen mobilen Schwerlasttransportmaschinen zum Erhalt der Prozesssicherheit in der Produktion und die Gewährleistung der elektrischen Versorgungssicherheit, sowie die Kopplung an erneuerbare Energiequellen geschaffen und umgesetzt. PSI trägt mit KI- und cloudbasierter Software zur Dekarbonisierung der Rohstoffgewinnung bei.
Weitere Informationen
Gemeinsam im Partnerverbund entwickelt PSI im Forschungsprojekt DISEGO (Critical Components for Distributed and Secure Grid Operation) eine eIoT-Plattform (Energie-Internet of Things Plattform). Intelligente Smart Grid Services werden auf dieser interoperablen Plattform um KI- und Machine-Learning-Verfahren funktional auf ein neues Level gehoben und um Aspekte der Erklärbarkeit von KI-Entscheidungen erweitert.
Weitere Informationen
Das Ziel des Forschungsprojektes ist die Erforschung innovativer leistungsstarker, selbstlernender Werkzeuge für Analyse, Prognose und Entscheidungsunterstützung zum Zustand von Gasnetzen. Mithilfe Industrieller Künstlicher Intelligenz (IKI) sollen Anomalien, die durch Naturkatastrophen, geopolitische Spannungen, Terrorismus, organisierte Kriminalität und Großschadenslagen ausgelöst werden können, schneller erkannt und geeignete Maßnahmen effizienter ermittelt werden.
Weitere Informationen
Bei der wertschöpfenden Prozessdatenanalyse werden maschinell aus historisierten Daten mittels des Qualitativen Labelns Datenzusammenhänge für die vorausschauende Steuerung sowie Optimierung der Geschäftsprozesse gelernt.
Zur optimierten Produktionssteuerung von Prozessen in der Reifenindustrie werden mit Methoden der künstlichen Intelligenz die für die automatische Bilderkennung notwendigen Test- und Validierungsdaten gelernt. Die Genauigkeit der Klassifikation liegt bei über 99 Prozent. Manuelle Eingriffe in den Produktionsablauf werden reduziert und die Qualität wird konstant gesichert.
Erweiterte Fuzzy-Logik optimiert Kennzahlen-gestützte Produktionsprozesse bei dynamischen Zielvorgaben und sicherer sowie unsicherer Informationslage. Die Vorteile der Optimierung sind z. B. Kosteneinsparungen durch Reihenfolgenbildung mit flexiblem Ressourceneinsatz, das Ausbalancieren von Zielkonflikten und die Reaktionsfähigkeit in Echtzeit.
Erweiterte Fuzzy-Logik ist Industrie 4.0-kompatibel und offen für die flexible Steuerung von Prozessen fernab fester physischer Strukturen, ob im Bereich des Field-/Workforce-Managements, der vorausschauenden Instandhaltung oder der agilen Produktion mit Fahrerlosen Transportfahrzeugen für die modulare Fertigung mit Schwarmfertigung (Forschungsprojekt SMART FACE des BMWi).
Komplexe Prozesse in Stahl- oder Aluminiumwerken trotz voneinander abhängiger Produktionsschritte optimieren, den Energieverbrauch und die CO2-Emissionen reduzieren sowie mit den sich ändernden Marktanforderungen wettbewerbsfähig bleiben. Planung, Disposition und Logistik erfordern KI-basierte Produktionssoftware, die für eine effiziente, ressourcenschonende und nachhaltige Produktion, Industriekunden auf ihrem Weg zur Dekarbonisierung unterstützen.
Die KI-basierte Geschäftsprozessoptimierung bewertet durch Qualitatives Labeln multikriteriell Maschinendaten und empfiehlt vorausschauend Instandhaltungsmaßnahmen (Predictive Maintenance). Damit wird die Maschinenverfügbarkeit erhöht, die Planungssicherheit gesteigert und die Gesamtbetriebskosten werden gesenkt. Mit Hilfe einer KI-basierten multikriteriellen Entscheidungsunterstützung werden Lieferanten identifiziert, objektiv bewertet und zur nachvollziehbaren Auswahl vorgeschlagen.
Gleichzeitige Sicherstellung einer hohen Anlagenverfügbarkeit und minimierter Wartungsaufwände ist im Predictive Asset Management neben der Skalierung von einer Maschine bis hin zu Anlagenverbünden tägliche Herausforderung. PSI nutzt hierbei die KI-basierte Qualicision-Technologie, um ganzheitlich und nachvollziehbar Wartungsempfehlungen zu geben sowie konkrete Einsätze und deren Monitoring zu planen.
Die KPI-basierte Produktionsoptimierung kombiniert Planung und Echtzeitsteuerung von verketteten Arbeitsabläufen über mehrere Ressourcen hinweg. In der Produktionsplanung werden sowohl einfache als auch komplexe Arbeitsprozesse mit verschiedenen Datenlagen wie z. B. Auftragsdaten, Termine und Kapazitäten auf die Ablaufpläne abgebildet.
Mit Hilfe von maschinellem Lernen und neuronalen Netzen werden Netzlasten und Einspeisung regenerativer Energien prognostiziert. Sie dienen den vorausschauenden Netzberechnungen als wichtige Eingangsdaten. So werden die Herausforderungen an die Netzführung effizient und sicher gemeistert.
Das System SASO (Security Assessment & System Optimisation) ermittelt vorausschauend Vorschläge zur Beseitigung aktueller und erwarteter Störungen im Transport- oder Verteilnetz. Sie werden auf Basis von Fuzzy-Logik bewertet und bilden die Grundlage für optimale Entscheidungen. Das System kann damit zu einem selbstlernenden System, einer Art Netz-Autopilot, ausgebaut werden.
Durch Verfahren des Advanced Industrial Engineering lassen sich z. B. die erforderlichen Gasmengen zur Erfüllung von Gaslieferverträgen vorhersagen und sicherstellen. Optimierungsverfahren im Betrieb von Kompressoren und Anlagen führen zu Kosteneinsparungen und zur Reduzierung des CO2-Ausstoßes.
Für die Zeitreihenvorhersage werden Methoden des aIE auf der Basis von Machine-Learning-Algorithmen eingesetzt. Die Vorhersagen der Energieauslastung und Energieerzeugung sind dank der Anwendung von künstlichen neuronalen Netzen und anderen Machine-Learning-Methoden mit bisher unerreichter Genauigkeit verfügbar. Die qualitativ hochwertigen Prognosen sorgen für reale Geschäftsvorteile und unterstützen die Prozesse im Energiehandel deutlich.
Mit PSIgasguide werden mit vorgegebenen Randwerten und unter Verwendung von Bewertungskriterien optimale Fahrweisen für einen sicheren Betrieb von Gasnetzen zielgerichtet gefunden. Im ersten Schritt werden auf Grundlage zukünftiger Gastransportmengen potenzielle Fahrweisen ermittelt. Im zweiten Schritt wird eine Rangfolge aufgestellt, indem unterschiedliche Kriterien in einem multikriteriellen Entscheidungsprozess bewertet werden. Aus der Reihenfolge kann ein Dispatcher seine Entscheidung ableiten.
Offene Positionen bis kurz vor Lieferbeginn über den Markt auszugleichen und damit teure Ausgleichsenergiekosten zu sparen, wird im Energiehandelsverlauf immer wichtiger. PSI nutzt hierbei den KI-basierten Smart Day Trader mit KPI-gesteuerter Multikriterien-Optimierung zur intuitiven und nachvollziehbaren Ermittlung der strukturierten Restpositionen sowie zum flexiblen Kontraktmanagement zur Modellierung.
Erweiterte Fuzzy-Logik optimiert die Lagerhaltung und den Transport von Waren. Zielkonflikte zwischen definierten Kennzahlen werden erkannt und ausbalanciert. Lieferkosten werden gesenkt und die Verpackungslogistik wird vereinfacht.
Durch den Einsatz neuronaler Netze wird die automatische Gepäckstückerkennung auf Basis hochaufgelöster Bilder aus mehreren Überwachungskameras optimiert. Die Erkennung in Echtzeit und die Gepäckstückverfolgung während der gesamten Gepäckbeförderung wird in hoher Qualität gewährleistet. So werden z. B. Beschädigungen automatisch erkannt und protokolliert.
Verschiedenste kombinatorische Verfahren unterstützen bei Supply-Chain-Optimierungen z. B. bei der optimalen Standortauswahl für Logistikzentren. Mehrere Auswahlkriterien werden berücksichtigt und als Ergebnis wird die kostengünstigste Lösung ermittelt. Die Verfahren sind skalierbar und wiederverwendbar.
Erweiterte Fuzzy-Logik optimiert halb- oder vollautomatisch alle Prozesse im Depot von Verkehrsbetrieben. Dazu gehört die Wegeoptimierung sowie die Fahrzeugpositionierung und -verfolgung. Die flexible Konfiguration aller Dispositionskriterien sorgt für eine verbesserte Fahrzeugwartung unter Einhaltung der erforderlichen Fahrzeugqualität.
Erweiterte Fuzzy-Logik unterstützt Infrastrukturbetreiber beim Management von Verkehrsflüssen und sorgt für den optimalen Betrieb für alle Verkehrsteilnehmer. Zielkonflikte werden nach vorgegebenen Kennzahlen ausbalanciert. Instandhaltungsmaßnahmen können geplant werden und reibungslos in das Management der Verkehrsnetze einfließen.
Die KI-Optimierung in Realzeit verbindet die multikriteriellen Optimierungsanforderungen sowohl des Linienbetriebs auf der Straße aus der Perspektive der Personenbeförderung als auch aus der Wirtschaftlichkeitsperspektive des Depots.
An KI-Anwendungen im industriellen Einsatz, sei es in der Produktion oder in der Energieversorgung, werden deutlich höhere Anforderungen gestellt:
Für populäre Anwendungen wie Spracherkennung am Smartphone reicht eine Erkennungsgenauigkeit von 95%. Im industriellen Prozess kann eine Abweichung von wenigen Prozentpunkten die komplette Produktion lahmlegen.
Die Produktion muss auch mit unvollständigen Daten sicher weiterlaufen. Hier kommt Fuzzylogik zum Einsatz, die auch unter erschwerten Bedingungen die beste Entscheidungsunterstützung bietet.
KI ist keine Stand-Alone-Anwendung. Sie muss sicher in bestehende Prozesse integriert werden und über Schnittstellen sowie Protokolle mit anderen Diensten interagieren.
Auch Künstliche Intelligenz hat Grenzen. Nur in Kombination mit konventionellen Optimierungsverfahren spielt KI seine Vorteile komplett aus.
Schon bei einer Fließfertigung lassen sich die Produktionsprozesse mithilfe erweiterter Fuzzylogik optimieren. Durch die Reihenfolgebildung mit flexiblem Ressourceneinsatz, das Ausbalancieren von Zielkonflikten und die Reaktionsfähigkeit in Echtzeit sind Kosteneinsparungen von 8 –10 % erreichbar.
Eine dynamische, selbst organisierende Industrie-4.0-Schwarmfertigung, die auf Fertigungsinseln und intelligenten Werkstücken basiert, kann mit entsprechender Optimierung zusätzlich 20 % Produktivitätsgewinne realisieren.
In der Metallindustrie ermöglicht PSI-Software rund 10 % Energieeinsparung und begleitet den Strukturwandel zu CO2-armer Produktion.
Deutliche Nachhaltigkeitseffekte werden beim optimierten Lademanagement für Elektrofahrzeuge und bei der Führung von Stromnetzen durch präzise Einspeiseprognosen auf der Basis von KI und die Ermittlung optimaler Schaltmaßnahmen erzielt.
Im Vergleich zum konventionellen Netzausbau spart die Investition in intelligente Hard- und Software rund 40 % der Kosten ein, die sonst für neue Trafos, Kabel und Erdarbeiten entstehen würden.
In der Logistik bewirkt der Einsatz Künstlicher Intelligenz eine Effizienzsteigerung um über 10 %, z. B. durch die Nutzung einer KI-Optimierung im Distributionszentrum.
Durch den Einsatz von KI-Methoden zur Verkehrssteuerung in Städten können die CO2-Werte um bis zu 15 % reduziert werden.
KI-Experte Dr. Rudolf Felix beantwortet im Rahmen des Webinars KI? Das kann auch der Mittelstand! die drängendsten Fragen:
Sie haben weitere Fragen? Oder Sie möchten Künstliche Intelligenz in Ihrem Unternehmen einsetzen, wissen aber noch nicht genau wie?
Immer öfter ist von Industrial Intelligence die Rede. Allein die Verwendung dieses Begriffs belegt, dass Künstliche Intelligenz in der Industrie angekommen ist. Inwieweit KI ingenieurstauglich und in in der Praxis relevant ist, zeigt der Blick in die IT-Welt der Fertigungsindustrie.
Die Einsparung von Ressourcen in Geschäftsprozessen verbessert ihre Nachhaltigkeit enorm. Erfahren Sie anhand von 4 Anwendungsbeispielen, welche Nachhaltigkeitseffekte durch eine qualifizierte Entscheidungsunterstützung in der Optimierung von Geschäftsprozessen erzielt werden.
Das Qualitative Labeln als KI-Methode verbindet Entscheidungs- und Optimierungsalgorithmen (EOA) mit maschinellem Lernen. Erfahren Sie, wie die zugehörige Software lernt, EOA-Parameter automatisch und effizient einzustellen.
