Machine Learning in der Fertigung: Sieben Use Cases, die sich wirklich rechnen

Der Fertigung fehlt es nicht an KI-Ideen, sondern an KI-Payback. Jede Konferenzfolie verspricht Transformation, während Werksleiter leise fragen, welche Use Cases auf einem realen Shopfloor echtes Geld zurückbringen. Nach Installationen in Metall, Glas, Kunststoff und Elektronik ist unsere ehrliche Liste sieben Punkte lang.

Eins: prädiktive Qualität. Modelle korrelieren Prozessparameter — Temperaturen, Drücke, Zykluszeiten — mit Qualitätsergebnissen und melden Drift, bevor Teile aus der Toleranz laufen. Das ist meist der schnellste Payback im ganzen Haus, weil Ausschuss teuer ist und die Daten bereits im MES existieren. Zwei: Bedarfsprognose. Verkaufshistorie plus Saisonalität plus Auftragsbuch-Signale schlagen Bauchgefühl-Planung; die Prognose speist das APS, und Sicherheitsbestände schrumpfen, ohne dass der Servicegrad sinkt.

Drei: prädiktive Instandhaltung. Vibrations-, Stromaufnahme- und Temperaturtrends sagen Lager- und Spindelschäden Tage im Voraus vorher, sodass Instandhaltung an einem geplanten Samstag stattfindet statt an einem chaotischen Dienstag. Installationen, die das neben präventiven Plänen fahren, senken ungeplante Ausfälle um bis zu 45 %. Vier: Planoptimierung — streng genommen Operations Research mit gelernten Parametern, aber der Effekt ist der Punkt: Ein APS, das reale Zykluszeiten und Rüstdauern aus Ausführungsdaten lernt, plant die Fabrik, die existiert — nicht die aus der Arbeitsplandatei.

Fünf: visuelle Fehlererkennung — Deep Learning auf Kamerabildern, ausführlich behandelt in unserem Computer-Vision-Artikel; sie gehört auf diese Liste, weil sie der reifste der sieben ist. Sechs: Energieoptimierung. Modelle ordnen den Energieverbrauch je Produkt und Maschinenzustand zu, finden die Leerlauflasten und die cosφ-Strafen und decken typischerweise 10–15 % der Energiekosten auf, für die niemand zuständig war. Sieben: Anomalieerkennung über den gesamten Datenstrom — der Alarm „auf Linie 2 stimmt etwas nicht", der auslöst, bevor irgendein einzelner Schwellwert reißt.

Beachten Sie, was nicht auf der Liste steht: Chatbots für Bediener, generative Berichte, die niemand liest, und „KI-Strategie" ohne Datensatz. Die sieben, die sich rechnen, teilen ein Merkmal — jede verwandelt Daten, die die Fabrik bereits erzeugt, in eine Entscheidung, die jemand bereits trifft, nur früher und genauer.

Die Voraussetzung, die alle unterschätzen, ist nicht das Modell, sondern das Datenfundament. Ein Modell kann nicht aus Daten lernen, die nicht erfasst, zeitgestempelt und mit Kontext verknüpft sind. Maschinenzustände ohne Arbeitsauftragskontext, Qualitätsergebnisse ohne Prozessparameter, Energiewerte ohne Produktzuordnung — jedes davon ist ein Use Case, den Sie noch nicht haben können. Deshalb lautet die praktische Reihenfolge: erst MES, dann Modelle; Ausführungsdaten sind der Boden, auf dem alles andere wächst.

Make or Buy ist im Fabrikmaßstab meist eine Ablenkung. Vorgefertigte Modelle für Qualität, Prognose und Instandhaltung — auf Ihre Daten abgestimmt, nicht von Grund auf trainiert — erreichen die Produktion in Wochen und brauchen kein Data-Science-Team auf der Gehaltsliste. Eigene Forschungsprojekte lohnen sich im Maßstab eines Automobilkonzerns; für alle anderen ist das Modell ein Baustein, kein Mondflug.

Die Manufacturing-AI-Plattform von Meta Smart Factory paketiert exakt diese sieben — prädiktive Qualität, Prognose, Instandhaltung, lernende Planung, Vision, Energie und Anomalieerkennung — auf demselben Live-Datenmodell, in das MES und APS bereits schreiben. Typisches Ergebnis: 10–25 % verborgene Kapazität, sichtbar gemacht in den ersten Monaten, ohne einen einzigen Data Scientist einzustellen.