Die neuesten KI-Anwendungen : Drei innovative Ansätze für die Industrie

Die ETH Zürich ist einer der wenigen KI-Leuchttürme in Europa. Kein Wunder, dass sich um die Schweizer Metropole zahlreiche KI- und Robotik-Start-ups ansiedeln. Gut ausgebildete Ingenieure treffen auf potente Geldgeber. Dazu kommt: Meta, Nvidia oder Alphabet sind am Züricher See und locken auch internationale Top-Leute an. Ein Ergebnis dieses Ökosystems ist ANYbotics. Das Robotikunternehmen sammelte letztes Jahr 70 Mio. Schweizer Franken.

ANYbotics baut einen autonomen Inspektionsroboter mit vier Beinen. Über 100 Roboter sind mittlerweile verkauft – der Chemiekonzern BASF ist ein Referenzkunde. Produziert wird der Roboter bei Zollner in Deutschland. 2024 werde ANYbotics um bis zu 400 Prozent wachsen, heißt es aus Unternehmenskreisen. Der demografische Wandel spielt den Schweizern voll in die Hände. Es gibt also weniger Personal und gleichzeitig wünschen sich die Verantwortlichen von großen Industrieanlagen aber mehr Daten über den Zustand des Systems Fabrik. Der Schweizer Roboter arbeitet autonom – mit KI an Bord. Das bedeutet aber auch: Prozesse müssen sich mit dem Roboter verändern. Der Roboter kann dank der Beine über mehrere Etagen eingesetzt werden – ein Vorteil gegenüber anderen Antriebssystemen.

Stichwort KI: Mit den Large Language Models (LLM) könnte noch mehr zwischen Mensch und Roboter passieren. In einem Video des Wettbewerbsprodukts Spot unterstützt ein LLM die Kommunikation zwischen dem Anwender und dem Roboter. Auch die Schweizer sehen die LLMs, verraten wollen sie jedoch nichts. Aber im Hardware-Bereich lassen sie einen kleinen Blick in die nahe Zukunft zu. Ein Arm auf dem Rücken des Roboters könnte im Laufe des Jahres dazukommen, erfuhr die Redaktion. Aber: Die Herausforderung besteht vor allem darin, dass der Arm dann auch autonom agieren müsste, ansonsten wäre das komplette Robotiksystem nicht mehr autonom unterwegs.

Siemens und Beckhoff entdecken die LLMs für sich und zeigten in den vergangenen Wochen unterschiedliche Use Cases. Der Industrial Copilot hilft den Automatisierungsingenieuren von Schaeffler beispielsweise, schneller Code für speicherprogrammierbare Steuerungen (SPS) zu generieren, die die meisten Maschinen in den Fabriken der Welt steuern. Engineering-Teams können den Zeitaufwand und die Wahrscheinlichkeit von Fehlern erheblich reduzieren, indem sie SPS-Code durch Eingaben in natürlicher Sprache generieren. Dadurch wird der Prompt mit Automatisierungswissen aus dem TIA-Portal erweitert, präzisiert. Die ersten Tests des Systems laufen bereits.

Beckhoff wählt einen etwas anderen Ansatz. Für die Engineering-Umgebung TwinCAT XAE hat Beckhoff TwinCAT Chat entwickelt. Die LLM-Integration ist speziell für TwinCAT-3-Nutzer optimiert, das heißt, der Wissensstand wurde umfangreich um TwinCAT-spezifische Inhalte ergänzt. So können direkt konkrete Fragen gestellt werden, und es muss dem LLM nicht erst mitgeteilt werden, dass TwinCAT verwendet wird und die Code-Beispiele in strukturiertem Text erwartet werden. Der generierte Code kann anschließend direkt übernommen werden.

Stichwort Kreativität: Mithilfe des LLMs als Teil des TwinCAT Chat kann das System aus den Eingaben des Menschen auch einen ersten Entwurf für ein Human Machine Interface (HMI) mit Bedienelementen erstellen. Wie hoch ist der Druck? Welche Temperatur herrscht im Betrieb? Die Designs sind ein erster Einstieg und beschleunigen den anschließenden Engineering- und Design-Prozess. Auch im Fall Beckhoff: Ein fertiges Produkt rund um das LLM gibt es noch nicht, doch erste Kunden wollen schon die neuen Möglichkeiten testen.

Und was tut sich noch – abgesehen von Large Language Modellen? Viele Maschinenbauer pilgern dieser Tage nach Linz zu Johannes Brandstetter von der JKU Linz. Der Grund: Simulation und AI. Jeden Tag werden Tausende und Abertausende von Rechenstunden für die Modellierung von Turbulenzen, die Simulation von Flüssigkeits- oder Luftströmungen, die Wärmeübertragung in Materialien, Verkehrsströme und vieles mehr aufgewendet. Viele dieser Prozesse folgen ähnlichen Grundmustern, benötigen jedoch unterschiedliche und spezialisierte Software, um sie zu simulieren.

Noch schlimmer ist, dass für verschiedene Parametereinstellungen die kostspieligen Simulationen in voller Länge von Grund auf neu durchgeführt werden müssen. Deep-Learning-Techniken seien bereit, Modelle zu entwickeln, die Simulationen in Sekunden statt in Tagen oder gar Wochen durchführen würden, heißt es in Linz. Die Hardware ist in der Lage, hochauflösende Eingaben im Industriemaßstab zu verarbeiten, z. B. 3D-Netze oder Bilder, und schafft somit die Voraussetzungen für das Training von Deep-Learning-Modellen im großen Maßstab.

„Wir wollen Simulationen besser, schneller und generalistischer machen – Grundlagenmodelle für die Simulation entwickeln. Neuronale Netzwerke haben das Potenzial, Simulationen an allen Fronten zu verbessern. Wir wollen Lösungen zu Problem aufzeigen, die bisher undenkbar schienen. Zum Beispiel gibt es in der Industrie viele Prozesse, die nur sehr rudimentär nachgebildet werden können, beispielsweise bestimmte Schmelzprozesse“, erklärt Brandstetter. Aber der Industrie fehlen Daten? „Dieses Mal nicht. Glücklicherweise haben viele der oben genannten Prozesse eine gemeinsame zugrunde liegende Dynamik – ähnlich wie verschiedene Sprachen eine gemeinsame Struktur und Grammatik haben. Simulationsdaten gibt es im Überfluss, wir müssen nur die richtigen verwenden, und zwar viele davon.“