Künstliche Intelligenz

Künstliche Intelligenz kann Maschinen die Fähigkeit geben, ihr Verhalten auf Basis von Erfahrungen zu verbessern. In der Industrie werden heute überwiegend Lösungen im Bereich des Machine Learning eingesetzt. Hierbei lernt der Computer aus Daten, ohne explizit für eine konkrete Aufgabe programmiert zu werden. Die KI ist in der Lage, Anomalien z. B. bei Maschinengeräuschen, Produktoberflächen) und Daten zu erkennen und dem Menschen zu signalisieren. Typische Anwendungsfälle liegen im Bereich der Werkerassistenz und Instandhaltung, bei denen schnell auf Abweichungen reagiert werden soll. Die Klassifizierung durch KI wird häufig im Bereich der Qualitätssicherung eingesetzt. Anwendungsfälle einer KI-basierten Prognose finden sich bisher überwiegend im Bereich Instandhaltung (Predictive Maintenance) bzw. Qualitätssicherung (Predictive Quality). Die Prognosefähigkeit wird aber auch im Bereich der Ressourcenplanung eingesetzt (z. B. Prognose von Auftragsendeterminen, Rüstzeiten, Maschinen- und Personalverfügbarkeiten etc.).

Autonomie und Robustheit in verteilten Cyber-Physical Systems Methoden der künstlichen Intelligenz

Sensoren und Aktoren finden immer häufiger Anwendung in der industriellen Produktion. Traditionell werden zentralistische Ansätze für die Verarbeitung der Sensordaten und Ansteuerung der Aktoren verwendet. Dieser Artikel zeigt auf wie Die Künstliche Intelligenz wichtige Beiträge für Robustheit und Autonomie bei der Verarbeitung und Verteilung von Daten in solchen Netzwerken liefern kann.

Datengetriebene Prozessoptimierung in der Getränkeindustrie Datengetriebene Optimierung biochemischer Prozesse

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 mitkomplexen multivariaten Einflussgrößen an ihre Grenzen. Der Beitrag stellt einen Ansatz zur datengetriebenen Prozessoptimierung in der Getränkeindustrie auf der Grundlage von maschinellem Lernen vor.

Künstliche Intelligenz ersetzt kluges Handeln nicht Effiziente Supply Chains erfordern mehr als KI – auch solide Prozesse und Vernetzung

Der Weg zu einer effizienten und digitalen Supply Chain führt nicht nur über den Einsatz von Künstlicher Intelligenz, sondern auch durch das Überwinden grundlegender Prozessbarrieren und technischer Hürden. In diesem Beitrag wird aufgezeigt, warum erfolgreiche Digitalisierung mehr als nur technologische Optimierung erfordert und wie durch schnelle Entscheidungen und die richtige Vernetzung die Grundlage für den Einsatz von KI geschaffen werden kann.

Entscheidungsunterstützung mit KI Eine Analyse technischer und sozialer Faktoren für die industrielle Instandhaltung in Deutschland

Die Initiative „Industrie 4.0“ soll deutschen Unternehmen helfen, Datenpotenziale besser zu nutzen, insbesondere in der Instandhaltung. KI-gestützte Systeme ermöglichen vorausschauende Wartung, jedoch stellt die Undurchsichtigkeit der KI-Entscheidungsprozesse ein Hindernis dar. Dieser Beitrag beleuchtet technische und soziale Faktoren für den Einsatz von KI in Industrie 4.0.

Machine Learning in der adaptiven Fertigungssteuerung Genetischer Algorithmus zur Bewertung alternativer Arbeitspläne

n der Arbeitsplanung werden derzeit zumeist statische Bedingungen angenommen und vermeintlich optimale Fertigungsabfolgen vor dem Produktionsstart festgelegt. Dynamische Einflüsse während der Fertigung führen zu unsystematischen Umplanungen und einem ineffizienten Planungsergebnis. Im Folgenden wird daher ein Ansatz zur adaptiven Fertigungssteuerung mit Hilfe eines Genetischen Algorithmus präsentiert.

Künstliche Intelligenz verleiht Cyber-Physical Systems Flügel Wie CPS und KI Geschäftsmodelle transformieren und Optimierungspotenziale erschließen

Cyber-Physical Systems (CPS) verbinden die reale mit der digitalen Welt und stellen IT-Experten vor neue Herausforderungen. Künstliche Intelligenz (KI) hilft, diese Komplexität zu meistern, indem sie Muster erkennt und die Zusammenarbeit zwischen Mensch und System fördert. Dies erfordert neue IT-Infrastrukturen, die CPS und klassische Systeme integrieren.

Maschinelles Lernen in der Produktion Anwendungsgebiete und frei verfügbare Datensätze

Steigende Rechenleistungen und sinkende Kosten ermöglichen den Einsatz von Machine Learning (ML) in der Produktion. Herausforderungen liegen in der Identifizierung geeigneter Anwendungsgebiete, der Erkennung relevanter Learning Tasks und der Auswahl passender Datensätze. Dieser Beitrag beleuchtet Potenziale, passende Datensätze und Best Practices für den ML-Einsatz in der Produktion.

Künstliche Intelligenz für die Wirtschaft von morgen Wie aus Daten wettbewerbsfähige Geschäftsmodelle entstehen

Künstliche Intelligenz (KI) und Lernende Systeme verändern Wertschöpfungsketten, Geschäftsmodelle und Beschäftigungsstrukturen in der Industrie radikal. Traditionelle Produkte werden in nahezu allen Branchen durch datengetriebene Services erweitert. Um mit dem internationalen Wettbewerb Schritt zu halten, müssen Unternehmen ihre Betriebsdaten mithilfe Künstlicher Intelligenz wirtschaftlich nutzbar machen.

Selbstlernende Arbeitsplatzsysteme für die Montage Überbelastungen vermeiden durch optimale Arbeitspositionen

Besonders im Bereich kleiner Stückzahlen mit komplexen Produktionsschritten weist der Mensch einen Vorteil gegenüber vielen Automatisierungslösungen auf. Um diese Flexibilität und Produktivität präventiv zu schützen, müssen Assistenzsysteme entwickelt werden, die nicht ergonomische Tätigkeiten verhindern und den Menschen unterstützen. Gerade die vorausgesetzte Flexibilität stellt hier eine besondere Herausforderung dar.

Integration von Künstlicher Intelligenz in die Fabriksteuerung Verbesserung der Steuerung variantenreicher Serienfertigungen durch KI und Deep Learning

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.