Model Predictive Control - So hilft KI in der Fertigungssteuerung

Komplexe industrielle Prozesse erschweren es, gleichzeitig marktorientiert und nachhaltig profitabel zu arbeiten. Aus diesem Grund muss in der Diskreten Fertigung die Produktionsmethodik weiterentwickelt werden: Es ist notwendig, Varianten zu produzieren, effizienter zu arbeiten und die Produktqualität zu verbessern – und das mit den verfügbaren Anlagen. Darüber hinaus steigt der öffentliche Druck, die Umweltbelastungen zu reduzieren und die vorgeschriebenen Emissionsgrenzwerte einzuhalten.

Model Predictive Control (MPC) bezeichnet die Steuerung eines Prozesses, die automatisch und selbstlernend auf Veränderungen reagiert. Seit einigen Jahren gewinnt diese Methode immer mehr an Bedeutung, insbesondere in der Diskreten Fertigung.

In einem typischen Predictive-Control-Szenario verfolgen Maschinenführende die Qualitätsentwicklung der Produktion und die wichtigsten Maschinenparameter über eine Benutzeroberfläche. Im Unterschied zur Maschinenüberwachung steht nicht die Qualität der bereits produzierten Mengen im Mittelpunkt, sondern das zu erwartende Niveau der Mengen, die in den nächsten Minuten gefertigt werden. Die Prognose wird durch den Einsatz von künstlicher Intelligenz erstellt. Sie ermöglicht es den Maschinenführenden, frühzeitig gegenzusteuern, um mehrere Geschäftsziele in Echtzeit zu erreichen: Kostensenkung, Reduzierung von Emissionen, eine gleichbleibend hohe Qualität und Produktionssteigerungen.

Die Digitalisierung von Prozesswissen hilft außerdem bei der Internationalisierung. Wissen, das an einem Standort generiert wird, kann direkt auf andere Standorte übertragen werden. Die komprimierte, entscheidungsorientierte Darstellung auf grafischen Benutzeroberflächen erleichtert es Maschinenführenden, Sachverhalte sofort zu erkennen und schnell auf unerwünschte Abweichungen zu reagieren. Mitarbeiter sind in der Lage, mehrere Maschinen parallel zu überwachen und bei Bedarf die Produktion anzupassen.

Unternehmen müssen sich von Anfang an über die benötigte Infrastruktur im Klaren sein. In der Regel stehen einer solchen globalen Lösung zwei Punkte im Weg:

• Der Bedarf an messtechnischem Equipment mit Installation und Inbetriebnahme ist sehr kostenintensiv und vor allem bei vorhandenen Anlagen langfristig nicht immer sinnvoll.
• Es müssen umfangreiche Datenmengen verarbeitet werden, die zur Abbildung der aktuellen Situation in der Diskreten Fertigung anfallen und im Produktionstakt bewertet werden müssen.

Nicht immer sind erhebliche Investitionen in neue Sensoren notwendig, um Produktionssysteme auf MPC vorzubereiten. Werte, die sich entscheidend auf die Produktionsqualität auswirken, lassen sich häufig einfach in digitale Daten umwandeln. Beispielsweise können mit einem Digitalthermometer Parameter wie Temperatur und Luftfeuchtigkeit in der Umgebung gemessen werden. Maschinengeräusche können mit einem Mikrofon erfasst werden. Dadurch wird der Einsatz teurer Hardware vermieden und die vorhandenen Maschinen werden auch in Zukunft nachhaltig genutzt.

Die Auswertung und Verarbeitung umfangreicher Datenmengen ist dank schneller Big-Data-Systeme und bezahlbarer Datenmanagementsysteme mittlerweile überschaubar und lösbar geworden. Flexible und skalierbare Cloud-Lösungen wie beispielsweise Microsoft Azure bieten vielfältige Chancen, die Kosten zu senken. In diesem Fall zahlen Unternehmen nur die Ressourcen, die sie auch wirklich nutzen. Außerdem unterstützt Microsoft die Entwicklung und den Einsatz von künstlicher Intelligenz. EntwicklerInnen können frei verfügbare, standardisierte KI-Modelle verwenden, um Algorithmen schneller zu individualisieren. Ein spezielles Modell, das den Produktionsprozess exakt beschreibt und mit dem eine Prognose für den MPC-Prozess erstellt wird, lässt sich damit effizienter entwickeln.

MPC ist ein sinnvoller Weg, um die Produktion zu verbessern und bestehende Anlagen nachhaltig zu nutzen. Wollen Unternehmen das Potenzial der Technologie verstehen und aktiv nutzen, müssen sie sich mit verschiedenen Umsetzungsmöglichkeiten auseinandersetzen. Neue Ansätze zeigen, dass ein Großteil der Anlageninvestitionen eingespart werden kann und bestehende Maschinen zu innovativen Produktionsanlagen umgebaut werden können.