Künstliche Intelligenz

Resiliente Produktion durch KI

„Störungen sind der Normalzustand in der Produktion“, sagt Wolfgang Maaß vom DFKI und verrät, welche Rolle KI bei der Widerstandsfähigkeit der Produktion spielt.

Von

Das DFKI will ein Rahmenmodell und niedrigschwellige kollaborative Smart Resilience Services (SRS) zur Unterstützung eines KI-basierten Resilienz-Managements für produzierende Unternehmen entwickeln.

Lieferketten sind zum Teil weniger widerstandsfähig als man das erwartet hätte. Das hat uns die Corona-Pandemie zuletzt gelehrt. Künstliche Intelligenz soll dabei helfen, Störungen in der Produktion zu minimieren, denn ein Produktionsstillstand kann teuer werden und große Unternehmen schon mal bis zu 500.000 Euro pro Stunde kosten.

Ein Beispiel hierfür liefert Toyota. Der Tsunami im März 2011 vor Japan hatte immense Auswirkungen auf die Lieferkette und die Produktion des Autobauers. Damals verzeichnete Toyota im März einen Produktionseinbruch von etwa 30 Prozent und konnte seinen Normalzustand erst wieder nach sechs Monaten erreichen. Der Konzern eruierte daraufhin, an welchen Stellen es zu den größten Störungen kommen kann. Die Folge waren Auswirkungen auf das Produktdesign und die Lieferketten, wodurch Toyota die Zeit zur Erholung von größeren Störungen auf maximal zwei Wochen reduzieren konnte.

Der frühe Vogel fängt den Wurm

Resilienz ist die Fähigkeit eines Unternehmens, sich permanent an interne und externe Veränderungen und Störungen in komplexen, sich schnell verändernden Produktionsnetzwerken anzupassen. Wer Störungen früh erkennt, kann die Auswirkungen auf die Produktion beeinflussen. „Es geht darum einen Planungsprozess zu optimieren, Stress zu absorbieren, eine anschließende Erholungsphase einzuleiten sowie zukünftige Stressoren vorherzusagen und sich auf mögliche Störungen vorzubereiten und anzupassen“, beschreibt Wolfgang Maaß vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI). Antizipatorische Resilienz ermöglicht es, Störungen zu erkennen bevor sie in einem Produktionssystem aktiv werden. Durch reaktive Resilienz sollen Gegenmaßnahmen zur Rückkehr in den Normalzustand gelingen.

White Paper zum Thema

Das Projekt SPAICER des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) will ein Rahmenmodell und niedrigschwellige kollaborative Smart Resilience Services (SRS) zur Unterstützung eines KI-basierten Resilienz-Managements für produzierende Unternehmen entwickeln. Dabei sind laut Maaß auch GAIA-X und die Standards aus der Industrie 4.0 von großem Interesse.

Resilienz kann auf mehreren Ebenen betrachtet werden. Die unterste Ebene ist die der Mikro-Resilienz. Auf dieser geht es darum, wie sich eine einzelne Maschine alleine optimieren lässt, auch in Bezug auf Predictive Maintenance. Auf der nächsten Stufe, der Meso-Resilienz, liegt der Fokus auf den gesamten Produktionsanlagen, die ein Unternehmen ausmachen. Und auf der Ebene der Makro-Resilienz liegen Lieferketten für gesamte Industrienetzwerke. Hier wird mit KI versucht beispielsweise politische oder finanzielle Veränderungen über Netzwerke zum Unternehmen zu transportieren und darauf zu reagieren.

Technologische Ziele

Zu den technologischen Zielen zählt laut Maaß ein agentenbasierter, modularer und offener Ansatz zur Entwicklung von Smart Resilience Services, die in ein Ökosystem für den Austausch von Daten, Software und Modellen eingebetteten sind, das auf KI-Technologien und Industrie 4.0 Standards basiert.

Fallbeispiele und Innovationspotenzial von SPAICER

Bezüglich dieses Projekts nennt Maaß vier Use Cases: Die Selbstoptimierung von Produktionsmaschinen, Lieferengpässe, Wissenstransfer, das heißt einen Produktionsgewinn durch mangelnden Produktions- und standortübergreifenden Wissenstransfer sowie die proaktive Transformation. Letzteres meint die Effektreduktion durch frühzeitige Anpassung bei, zum Beispiel, politischen Konflikten, Handelsbarrieren oder Rohstoffengpässen.

„Störungen sind der Normalzustand in der Produktion“, stellt Maaß klar. Diese sollen über Smart Resilience Services in den Griff bekommen werden. „Ziel ist es, eine dynamische Kompositin dieser Services zu haben und nicht nur eine Resilienz zu haben, die als Blackbox kommt, sondern eine erklärbare KI, die nachweisen lässt, warum etwas zustande gekommen ist“, so Maaß.  

Operative Umsetzung

Bei der operativen Umsetzung soll es unter anderem um die Nutzung der Methoden des Maschinellen Lernens gehen, um aus Daten Prognosen und Handlungsempfehlungen abzuleiten. Außerdem spielen formale Planungs- und Inferenzmethoden eine Rolle, um strukturiertes Wissen kontrolliert einzusetzen. Des Weiteren nennt Maaß die Einbettung in ein breites Ökosystem industrieller Partner und die Entwicklung einer KI-basierten Software-Industrie für das Resilienz-Management als wichtige Kriterien.