Mit der zunehmenden Verfügbarkeit von IoT-Devices und einer deutlich stärkeren Vernetzung der Fertigung mit Internet-Technologien rückt auch eine Verbesserung der Fabriksteuerung durch den Einsatz Künstlicher Intelligenz (KI) in den Vordergrund. Dieser Beitrag beschreibt am Beispiel einer variantenreichen Serienfertigung, welche Schritte zu gehen sind, um mit KI die Fabriksteuerung zu verbessern.

Cyber-Physical Systems (CPS) sind ein Beispiel für die immer engere Verbindung von digitaler und realer Welt. Denn in CPS werden Abläufe und physische Gegenstände unmittelbar in digitale Prozesse integriert. Für IT-Experten bedeutet das mehr Komplexität in der Entwicklung von IT-Systemen. Denn die bisherige Modellbildung, mit der sie gearbeitet haben, stößt angesichts der Unordnung in der realen Welt an ihre Grenzen. Künstliche Intelligenz (KI) hilft dabei, diese Komplexität zu beherrschen und so den Einsatz von CPS zu erleichtern beziehungsweise zu ermöglichen. Die Stärke von CPS liegt insbesondere im Finden von Optimierungspotenzialen, im Erkennen von Mustern und in der engen Zusammenarbeit mit Menschen. Verfahren wie Machine Learning, das die Grundlage für beispielsweise Bilderkennung oder Spracherkennung liefert, erlauben einerseits engere Interaktionsmöglichkeiten zwischen Mensch und CPS. Andererseits erhöhen diese Techniken den Autonomiegrad, mit dem CPS arbeiten können. In Summe entstehen dank KI neue Einsatzszenarien. Die Kombination dieser Technologien stößt die Tür für die Fabrik der Zukunft auf. Diese Entwicklung muss sich auch in den zugrundeliegenden IT-Systemen niederschlagen, die Unternehmen aufbauen. Die Verantwortlichen müssen Strukturen schaffen, in denen klassische Informationssysteme, CPS und Cognitive Computing Systems integriert zusammenarbeiten können.

Die politische Initiative „Industrie 4.0“ soll deutschen Fertigungsunternehmen bei der Nutzung von Datenpotenzialen helfen. Gerade die Instandhaltung ist mit heutigen Ansätzen bisher unzureichend proaktiv gestaltet. Einen Lösungsweg bieten auf künstlicher Intelligenz (KI) gestützte Entscheidungsunterstützungssysteme, welche eine vorausschauende Maschinenwartung erlauben. Der undurchsichtige Entscheidungsprozess der KI stellt jedoch ein Hindernis für Nutzer dar, welches die Effektivität solcher Systeme gefährdet. Dieser Beitrag beleuchtet daher sowohl technische als auch soziale Faktoren für den Einsatz von KI im Rahmen von Industrie 4.0.

Ein erhöhter Preis- und Wettbewerbsdruck stellt die Getränkeindustrie vor große Herausforderungen der Rationalisierung. Bestehende Ansätze aus den Bereichen Lean und Six Sigma geraten bei biochemischen Prozessen mit komplexen multivariaten Einflussgrößen an ihre Grenzen. Der Beitrag stellt einen Ansatz zur datengetriebenen Prozessoptimierung in der Getränkeindustrie auf der Grundlage von maschinellem Lernen vor.