Künstliche Intelligenz im PLM
Ein Begleiter für Ingenieure
Künstliche Intelligenz gilt für viele Bereiche in der Industrie als Schlüsseltechnologie. Bei der Weiterentwicklung von Produkten kann sie Ingenieuren Entscheidungen erleichtern und Möglichkeiten, aber auch Grenzen aufzeigen. Dafür muss die Datengrundlage stimmen, aus der die künstliche Intelligenz ihre Schlüsse zieht.
Mit künstlicher Intelligenz sind unterschiedliche Vorstellungen und Erwartungen verknüpft. In der Realität treffen jedoch nahezu alle visionären Ideen auf das Problem der verfügbaren Daten. Entweder stehen sie nicht in ausreichender Menge und Qualität zur Verfügung oder es scheitert an gesellschaftlichem Widerstand bzw. anderen Interessenkonflikten. Während dazu immer größere öffentliche Forschungsprojekte angestoßen werden, entstehen in der Realität viele konkrete Szenarien. Kern dieser Szenarien ist, den Fokus auf das Machbare zu verlegen: vom Prototypen bis hin zur industrietauglichen Lösung.
Sichtbare und unsichtbare Algorithmen
Bei der angewandten KI kann man zwischen den Algorithmen unterscheiden, die für den Anwender unsichtbar in der Software verbaut sind und einen ganz gezielten Entscheidungsprozess unterstützen, und denen, die darauf warten mit den Kundendaten gefüttert zu werden. Das wesentliche Kriterium für erfolgreiche KI-Anwendungen liegt dabei in der Menge und Qualität der Daten, mit denen die Algorithmen trainiert wurden und arbeiten. Die Aufgabenstellung muss klar definiert und konstant sein. Hält man diese beiden limitierenden Faktoren unter Kontrolle, kann KI aus großen und undurchsichtigen Datenmengen die richtigen Schlüsse ziehen.
Produktdesign
Ein Anwendungsfeld ist dabei das industrielle Produktdesign. Dabei sorgt KI für eine extreme Anpassungsfähigkeit eines Produktes an seine Anforderungen in der Form, im Material, den Kosten, dem Betriebsverhalten. Anhand von Rahmenbedingungen, regelmäßig gesammeltem Erfahrungswissen aus Betrieb und Service sowie ergänzenden Versuchen können KI-gesteuerte Algorithmen deutlich verbesserte Bauteile entwerfen.
Die Struktur
Industrieprodukte werden komplexer. Das liegt neben dem wachsenden Softwareanteil auch am Fertigungsprozess: Durch additive Fertigung können ganz neue Strukturen entstehen. Dabei werden Produkte mithilfe erstellter Gitterstrukturen gedruckt. Diese Strukturen können komplex sein, und diese Komplexität bewältigt künstliche Intelligenz hervorragend. Die CAD-Software Creo von PTC setzt im Rahmen der Topologieoptimierung auf KI, die künftig bestimmen kann wie die Gitterstruktur aussehen muss, um bestimmte Produkteigenschaften wie Gewicht oder Belastungspunkte zu erfüllen. Man spricht dabei von generative Design.
Augmented Reality
Auch im Kontext von Augmented Reality (AR) und Bildverarbeitung spielt KI eine Rolle. Bei AR werden wirkliche Objekte oder Areale in berechenbare Fakten umgewandelt. Das läuft nach dem Prinzip der Mustererkennung ab: ein diffuses Bild wird mit bekannten Mustern verglichen. Wenn eine hinreichende Ähnlichkeit gefunden wird, gilt das Bild als erkannt, andernfalls wird entweder gelernt (das diffuse Bild wird mit einem neuen Begriff versehen, der benennt, was es darstellt), erneut probiert oder aufgegeben. Mit dem sogenannten Deep Learning-Verfahren können digitale Objekte analysiert und erlernt werden, um sie später wiederzuerkennen. Das ist jedoch ein äußerst rechenintensiver Prozess. Dieses Verfahren nutzt beispielsweise ein Hersteller von E-Autos, um angelieferte oder in der Werkshalle herumliegende Bauteile zu identifizieren und ad hoc Informationen aus dem Warenwirtschaftssystem zu ihnen zu erhalten oder diese Bauteile direkt nachzubestellen. Zum Trainieren der KI reicht das digitale CAD-Modell. Dadurch lässt sich der Prozess vollständig automatisieren und auf das gesamte Ersatzteillager anwenden.
Predictive Maintenance
Auch bei der Vorhersage von Ereignissen kommt KI zum Einsatz - Stichwort Predictive Maintenance. Durch das sogenannte Machine Learning können Störfälle im Voraus erkannt und die Planung von Wartungsbesuchen verbessert werden. KI schützt hier also vor dem Maschinenausfall, dessen Kosten hoch sein können. Mit Hilfe von KI, verbaut in der Industrial Internet of Things-Plattform ThingWorx von PTC, wurde bei einem Chemieunternehmen beispielsweise ein Vorhersagemodell entwickelt, das Ausfälle prognostiziert.
Digitaler Zwilling
Werden solche Technologien tiefer integriert, können Anwender begleitende digitale Zwillinge erstellen. Dabei werden letztendlich die Methoden aus Design, Vorhersage und AR zusammengeführt und auf das ganze System angewandt, beispielsweise die Entwicklung eines Fahrzeuges. Sensoren beobachten dabei das Verhalten eines Produkts im Betrieb. Das System vergleicht dieses Verhalten mit dem, was nach internen Berechnungen geschehen sollte. Aus dem Unterschied lernt das System - so lange bis das berechnete mit dem tatsächlichen Verhalten übereinstimmt. Ein solches Vorgehen bietet sich beispielsweise bei Produkttests an, die zeitaufwendig oder teuer sind. Damit das jedoch funktioniert, muss der gesamte Produktlebenszyklus in Form von Daten aufgenommen werden. Diese Informationen zum Produktlebenszyklus nennt man auch Digital Thread. Dieser wurde beispielsweise vom Fahrzeughersteller Polaris umgesetzt, der nun über ein holistisches Verständnis des gesamten Fahrzeuglebens verfügt.
Begleiter der Ingenieure
So in Entwicklungsprozesse integriert, kann KI als täglicher Begleiter für Ingenieure zum Entscheidungshelfer aufsteigen. In der PTC-Lösung Windchill etwa können Anwender schon heute KI-gestützt herausfinden, an welcher Stelle der Prozess einen zeitlichen Bottleneck entwickelt, welche Ursache dahinterstecken und welche Gegenmaßnahmen zu ergreifen sind. Wer künstliche Intelligenz als Werkzeug nutzt, muss wissen, wie und warum es eingesetzt wird. Die genannten Anwendungsfälle zeigen, dass die Technologie keine Vision, sondern Bestandteil zahlreicher industrieller Lösungen ist. n und AR-Experte und Martin Meßner ist Industrie-4.0-Technologie-Experte bei PTC.
Künstliche Intelligenz gilt für viele Bereiche in der Industrie als Schlüsseltechnologie. Bei der Weiterentwicklung von Produkten kann sie Ingenieuren Entscheidungen erleichtern und Möglichkeiten, aber auch Grenzen aufzeigen. Dafür muss die Datengrundlage stimmen, aus der die künstliche Intelligenz ihre Schlüsse zieht.
Mit künstlicher Intelligenz sind unterschiedliche Vorstellungen und Erwartungen verknüpft. In der Realität treffen jedoch nahezu alle visionären Ideen auf das Problem der verfügbaren Daten. Entweder stehen sie nicht in ausreichender Menge und Qualität zur Verfügung oder es scheitert an gesellschaftlichem Widerstand bzw. anderen Interessenkonflikten. Während dazu immer größere öffentliche Forschungsprojekte angestoßen werden, entstehen in der Realität viele konkrete Szenarien. Kern dieser Szenarien ist, den Fokus auf das Machbare zu verlegen: vom Prototypen bis hin zur industrietauglichen Lösung.
Sichtbare und unsichtbare Algorithmen
Bei der angewandten KI kann man zwischen den Algorithmen unterscheiden, die für den Anwender unsichtbar in der Software verbaut sind und einen ganz gezielten Entscheidungsprozess unterstützen, und denen, die darauf warten mit den Kundendaten gefüttert zu werden. Das wesentliche Kriterium für erfolgreiche KI-Anwendungen liegt dabei in der Menge und Qualität der Daten, mit denen die Algorithmen trainiert wurden und arbeiten. Die Aufgabenstellung muss klar definiert und konstant sein. Hält man diese beiden limitierenden Faktoren unter Kontrolle, kann KI aus großen und undurchsichtigen Datenmengen die richtigen Schlüsse ziehen.
Parametric Technology GmbH
Dieser Artikel erschien in IT&Production 1 (Februar) 2021 - 08.02.21.Für weitere Artikel besuchen Sie www.it-production.com