Was sich in einer Fabrik mit KI wirklich zu automatisieren lohnt

Was über ein KI-Projekt in der Fertigung entscheidet, ist zum größten Teil nicht die Modellierung. Es ist die Frage, welche Art von Problem Sie überhaupt haben, ob Ihre Ausführungsdaten es tragen können, und was passiert, wenn das Modell falsch liegt.

Regeln, Machine Learning, Optimierung und Sprachmodelle: was zu welchem Problem passt

Regeln und Statistik kommen zuerst und verdienen mehr Respekt, als sie bekommen. Wenn eine Regel, die ein Ingenieur aufschreiben kann, den größten Teil des Nutzens bringt, dann ist der ehrliche Vergleich für jedes Modell diese Regel und nicht das Nichtstun.

Machine Learning verdient sich seinen Platz dort, wo der Zusammenhang zwischen Eingangsgrößen und Ergebnis real ist, ihn aber niemand aufschreiben kann: Dutzende Prozessparameter, die zusammenwirken, ein Fehler, der von der Materialcharge, der Umgebungsfeuchte und der Position in der Kavität abhängt. Es kennt die Bedingungen, die es gesehen hat, und sagt nichts Brauchbares über Bedingungen, die ihm nie begegnet sind.

Optimierung ist eine andere Disziplin und wird regelmäßig fälschlich als KI verkauft. Die Planung eines Werks mit begrenzter Kapazität, die Reihenfolgebildung zur Minimierung von Rüstwechseln, die Zuordnung qualifizierter Werker: das sind Constraint-Probleme mit einer Zielfunktion. Sie brauchen keine gelabelten Beispiele, wohl aber ehrliche Vorgabezeiten und Restriktionen, und die muss man meist messen statt annehmen. Für die Planung ist ein Solver, der Ihre realen Werkzeug- und Trocknungsrestriktionen abbilden kann, fast immer das richtige Werkzeug, denn Planung ist ein Constraint-Problem und kein Vorhersageproblem.

Sprachmodelle sind der jüngste Neuzugang, und ihr Einsatzfeld ist eng umrissen. Sie passen zu Arbeit, die die Form von Dokumenten und Gesprächen hat: eine eingehende Anfrage lesen und daraus eine strukturierte machen, eine lange Instandhaltungshistorie auf etwas eindampfen, das ein Techniker liest, bevor er zur Maschine geht, beantworten, was eine Arbeitsanweisung zu einer Einrichtung sagt. Sie sind keine Messgeräte: eines von ihnen einen Lagerschaden aus Schwingungsdaten vorhersagen zu lassen, heißt, mit dem Hammer auf eine Schraube zu schlagen.

Welche Daten ein KI-Projekt in der Fertigung tatsächlich braucht

Ein Modell braucht Beispiele, die eine Situation mit einem Ergebnis verbinden, und genug Kontext, um eine Situation von der anderen zu unterscheiden: ein Signal oder eine Menge von Bedingungen, verknüpft mit Auftrag, Maschine, Werkzeug, Materialcharge, Werker und einem Zeitstempel, der stimmt. Der Zeitstempel wiegt schwerer, als die meisten erwarten. Werden Rückmeldungen erst am Schichtende nachgetragen, teilen sich alle Ereignisse dieser Schicht eine ungefähre Uhrzeit, und alles, was von Reihenfolge oder Dauer abhängt, lernt die Erfassungsgewohnheit statt des Prozesses.

Auf der Ergebnisseite sieht es meist noch schlechter aus. Predictive Maintenance braucht Ausfälle, die als Ausfälle erfasst sind, mit Ursache und Datum, nicht als ungeplanter Stillstand mit leerem Ursachenfeld. Qualitätsvorhersage braucht Ausschuss, der auf den Arbeitsgang und die verursachende Fehlerart gebucht ist, nicht zu einer Monatszahl verdichtet. Bedarfsprognose braucht eine Verbrauchshistorie, die nicht still durch Bestandskorrekturen umgeschrieben wurde. In den meisten Werken liegen die Eingangsgrößen im Historian und die Ergebnisse in einem Instandhaltungsheft oder der Tabelle eines Einzelnen.

Der Test ist nicht, wie viele Gigabyte der Historian hält, sondern ob Sie für eine Linie und eine Produktfamilie ein Jahr an Zeilen ziehen können, in denen jede Zeile Bedingungen und Ergebnis trägt, und ob zwei Leute, die den Prozess kennen, sich einig sind, dass die Zeilen stimmen. Wenn dieser Auszug eine Woche manueller Abstimmung kostet, dann ist nicht das Modell das Projekt, sondern die Erfassung. Deshalb ist die Datenqualität in MES und Historian die bindende Restriktion, und keine Raffinesse in der Modellierung holt zurück, was nie erfasst wurde.

Bedarfs- und Verbrauchsprognose, wo der Nutzen am nächsten liegt

Die Prognose hat meist den kürzesten Weg zum Geld, weil die Alternative sichtbar schwach ist: die meisten Werke nehmen das Vorjahr und schlagen einen Prozentsatz auf oder fragen den Vertrieb nach einer Zahl, die in Wahrheit ein Ziel ist. Ein Modell, das Auftragshistorie, Saisonalität, Kundenmix, offene Pipeline und Kalendereffekte nutzt, schlägt das bei Artikeln mit regelmäßiger, wiederkehrender Nachfrage. Bei sporadischen und projektgetriebenen Artikeln, oft die Mehrzahl der Artikelnummern und ein kleiner Teil des Volumens, tut es das meist nicht, und eine naive oder Croston-artige Basislinie ist schwer zu schlagen. Die ehrliche Variante segmentiert zuerst das Sortiment und überlässt diese Artikel einer Bevorratungsstrategie und dem Urteil des Planers.

Der Nutzen zeigt sich nachgelagert, nicht in der Prognose selbst: Sicherheitsbestände verschieben sich, der Bestellzeitpunkt bei Teilen mit langer Wiederbeschaffungszeit ändert sich, und die Eilrüstwechsel, die jeden Plan zerlegen, werden seltener. Eine Prognosegenauigkeit in Prozent auf einer Folie ist kein Nutzen; Reichweite in Tagen und die Zahl der Eilvorgänge sind es.

Predictive Maintenance, nur dort, wo der Ausfallmechanismus wirklich vorhersagbar ist

Alles hängt hier daran, ob sich der Ausfall allmählich entwickelt und eine Signatur in etwas hinterlässt, das Sie messen können. Lagerschädigung, Unwucht, Fluchtungsfehler, fortschreitende Verstopfung in einem Filter oder Kühlkreis, Drift im Hydraulikdruck, ein Motorstrom, der beim selben Arbeitsgang langsam ansteigt: das entwickelt sich über Wochen oder Monate, gelegentlich nur über Stunden, was dann meist zu spät ist, um die Sensorik zu rechtfertigen, und zeigt sich in Schwingung, Strom, Temperatur oder Druck. Ein Modell kann das sehen, und oft kann es auch ein gut gewählter Schwellwert, weshalb der Vergleich mit einfacher Statistik gerade hier zählt.

Eine sterbende Steuerungsplatine, ein durch eine schlechte Wendeschneidplatte gebrochenes Werkzeug, ein Schaden durch Bedienfehler: das passiert faktisch schlagartig, und kein Modell sagt es aus einem Trend voraus, den es nicht gibt.

Die zweite Bedingung ist, dass die Vorwarnung Zeit verschaffen muss, die Sie auch nutzen können. Hat das Teil eine lange Wiederbeschaffungszeit und kann die Linie vor dem Wochenende nicht stehen, dann zahlt sich eine Ersatzteilstrategie aus und kein Modell. Klären Sie das Eingriffsfenster, bevor Sie über das Sensorbudget reden.

Qualitätsvorhersage und Ausschussreduzierung

In der Qualität liegt meist das meiste Geld, und dort sind die Datenanforderungen am härtesten. Die attraktive Variante sagt aus den Bedingungen während des Laufs vorher, welche Teile oder Chargen gefährdet sind, damit jemand nachstellen kann, bevor der Ausschuss entsteht, statt ihn in der Endprüfung zu finden.

Sie funktioniert, wenn der Prozess in der Auflösung dessen instrumentiert ist, was Sie vorhersagen wollen, und wenn Ausschuss einen echten Fehlercode am Arbeitsgang trägt. Sie scheitert leise, wenn Ausschuss am Auftragsende auf den Gesamtauftrag gebucht wird, denn dann kann das Modell nicht mehr zuordnen, welche Bedingungen welchen Fehler erzeugt haben.

Ein unspektakulärer Schritt rechnet sich, bevor es irgendein Modell tut: Ausschussgründe an der Maschine erfassen, im Moment des Entstehens, aus einer kurzen Liste von Ursachen, die der Werker wiedererkennt. Viele Werke, die nach Qualitätsvorhersage fragen, stellen allein aus diesen Daten fest, dass wenige Ursachen den größten Teil des Verlusts ausmachen, und schließen die größte davon mit einer technischen Änderung. Das ist ein gutes Ergebnis und kein gescheitertes Projekt.

KI in der Feinplanung: warum das ein Optimierungs- und kein Vorhersageproblem ist

Wenn der Plan jede Woche kippt, liegt die Ursache selten an fehlender Intelligenz und meist an fehlenden Restriktionen. Was das ändert, ist eine Feinplanung, die gemeinsam genutzte Werkzeuge, Rüstfamilien, Werkerqualifikationen, Aushärtezeiten und die Wartungsfenster respektiert, die Sie einhalten wollen.

Lernen hilft hier auf genau eine schmale, reale Weise: bei den Vorgabezeiten. Ein Plan, der auf Standardzeiten steht, die seit Jahren niemand nachgemessen hat, ist präzise in den falschen Zahlen, und die über das MES erfassten Ist-Dauern können aktualisieren, womit die Feinplanung rechnet. Beurteilen Sie ein Planungsangebot danach, welche Restriktionen es abbilden kann und wie schnell es neu plant, wenn etwas bricht; ein Plan, dessen Neuberechnung über Nacht läuft, wird in der Morgenrunde von Hand übersteuert.

Anomalieerkennung auf Energie- und Prozesssignalen

Die Anomalieerkennung lernt, wie normal aussieht, und meldet Abweichungen. Sie passt zu kontinuierlichen Signalen, bei denen es viel gutes Verhalten und wenige gelabelte Fehler gibt: Energieaufnahme je Zyklus, Druckluftverbrauch, Kälteanlagenleistung, ein Prozesssignal, dessen Verlauf stabil ist, solange alles in Ordnung ist.

Ihre Stärke ist, auf das zu reagieren, was niemand vorhergesehen hat. Ihre Schwäche ist, dass sie nur sagt, etwas sei ungewöhnlich, nie aber was falsch ist, und ein Werk, das unerklärte Meldungen bekommt, lernt, sie zu ignorieren. Die eigentliche Auslegungsarbeit ist nicht der Detektor, sondern die Weiterleitung: welche Meldung geht an wen, was ist die erste Prüfung, und wie wird die Reaktion dokumentiert, damit die nächste Meldung derselben Form mit Historie ankommt.

KI in Vertrieb und Kundenbetreuung, wo die Arbeit die Form von Dokumenten hat

Die kaufmännische Seite eines Fertigungsbetriebs läuft über Dokumente und Gespräche: Anfragen, Spezifikationen, Angebote, Auftragsbestätigungen, Lieferterminnachfragen, Reklamationen. Genau hier passen Sprachmodelle wirklich, weil die Arbeit im Lesen, Extrahieren, Entwerfen und Zusammenfassen besteht.

Konkret: eine eingehende Anfrage, zerlegt in Teil, Menge, Wunschtermin und Sonderanforderungen, mit den früheren Angeboten daneben. Ein E-Mail-Verlauf, verdichtet zu einem CRM-Eintrag, der die gemachte Zusage und den nächsten Schritt trägt.

Zwei Regeln verhindern, dass das schiefgeht. Das Modell entwirft, und ein Mensch sendet, zumindest solange die Fehlerrate in diesem Ablauf nicht verstanden ist. Und alles Faktische, Preis, Lieferzeit, Bestand, zugesagter Termin, kommt aus dem führenden System und nicht aus dem Modell, das einen nachgeschlagenen Wert zitieren und niemals einen erzeugen soll. Eine CRM-Automatisierung, die eine Lieferzeit erfindet, ist schlechter als gar keine, weil sie das Unternehmen bindet.

Den Nutzen beziffern, bevor Sie irgendetwas kaufen

Benennen Sie den Verlust in Größen, die Ihr Werk ohnehin führt: Ausschusskosten pro Monat in der betreffenden Produktfamilie, ungeplante Stillstandsstunden an der Engpassmaschine, multipliziert mit dem, was eine Stunde dort im Deckungsbeitrag und nicht im Maschinenstundensatz wert ist, Eilfrachten, Kapitalbindung in den Teilen, die eine Prognose bewegen würde, Stunden pro Woche für das Abtippen zwischen Systemen.

Schätzen Sie dann pessimistisch, welchen Anteil dieses Verlusts die Anwendung plausibel adressieren kann. Predictive Maintenance beseitigt keine Stillstände; sie wandelt bestenfalls einige ungeplante Stopps in geplante um, und das nur für die Ausfallmechanismen, die sie abdeckt. Ein Qualitätsmodell beseitigt keinen Ausschuss; es verkürzt die Zeit zwischen dem Abdriften eines Prozesses und dem Moment, in dem es jemand bemerkt.

Wenn diese ehrliche Zahl, gestellt gegen die Gesamtkosten über die Laufzeit, mit der Sie tatsächlich planen würden, einschließlich Integration und der Leute, die es betreiben, die Hürde nicht nimmt, die Ihr Controlling an jede andere Investition dieser Größe anlegt, dann ist das Projekt ein wissenschaftliches Experiment. Das ist erlaubt, aber es sollte dann auch als solches finanziert und beurteilt werden.

Was die Integration wirklich kostet

Das Modell ist meist der billige Teil; die Kosten sitzen in den Nahtstellen. Zuerst müssen die Signale von den Maschinen kommen, und ein reales Werk ist ein gemischter Bestand: manche Anlagen sprechen OPC UA, manche Modbus oder ein serielles Protokoll, manche geben einen potentialfreien Kontakt her, und bei manchen geschlossenen Steuerungen braucht es eine nachgerüstete Sensorik an der Spindel, im Hydraulikkreis oder an der Zuleitung. Dann muss das Ergebnis irgendwo landen, wo es eine Handlung auslöst: auf einem Bildschirm, auf den ein Werker ohnehin schaut, in einem Instandhaltungsauftrag, in einer Restriktion für die Feinplanung, in einer Sperre in der Qualitätssicherung.

Danach kommt die Stammdatenbereinigung, die niemand einplant. Teilenummern, die sich zwischen Systemen um ein Suffix unterscheiden, Mengeneinheiten, die nicht zusammenpassen, eine Stückliste, die an zwei Stellen gepflegt wird, Maschinenkennungen, die sich beim Umbau der Linie geändert haben. Nichts davon ist schwierig, und alles davon dauert länger als die Software. Ein Angebot, das das Modell bepreist und die Nahtstellen als noch zu spezifizierende Integration stehen lässt, ist kein Preis.

Wer das Modell betreibt, und was passiert, wenn es falsch liegt

Jedes produktiv gesetzte Modell braucht einen Verantwortlichen mit Namen, und die Beschaffungsfrage lautet, wer das in Ihrer Organisation sein wird. Diese Person muss wissen, worauf es trainiert wurde, welche Bedingungen außerhalb davon liegen, warum es eine bestimmte Ausgabe erzeugt hat, und wie man es aus der Schleife nimmt, ohne die Produktion anzuhalten. Ein Modell, das keine Antwort mehr liefert, muss auf das zurückfallen, was den Prozess vorher geregelt hat, den Stichprobenplan, den Schwellwert, die Werkerprüfung, und nicht auf ein offenes Tor oder eine blockierte Linie. Entscheiden Sie vor dem Go-live, welches von beidem es ist.

Erklärbarkeit ist auf dem Shopfloor keine philosophische Frage, sondern eine Voraussetzung für Akzeptanz. Eine Empfehlung, die sagt, welches Signal sich bewegt hat, um wie viel und gegen welche Basislinie, wird umgesetzt. Ein Score ohne Begründung wird übersteuert, und sobald das Übersteuern Routine ist, ist das System Dekoration.

Zu viele Meldungen zerstören das Vertrauen schneller als übersehene Fälle, aus demselben Grund, aus dem das an einer Prüfstation für Pseudoausschuss gilt: ein Fehlalarm ist sofort und für alle sichtbar, ein übersehener Fall bleibt unsichtbar, bis der Ausfall eintritt. Legen Sie die Meldungsrate auf die Aufmerksamkeit aus, die auf dem Shopfloor tatsächlich verfügbar ist, und leiten Sie den unsicheren Bereich an einen Menschen und nicht an die Linie.

Governance, Drift und der Pflegeaufwand, den niemand budgetiert

Ein Modell ist eine Momentaufnahme Ihres Prozesses zum Zeitpunkt des Trainings, und Ihr Prozess bewegt sich: ein neuer Lieferant, eine Werkzeugüberholung, ein Teileänderungsstand, ein Umbau der Linie, ein veränderter Produktmix, ein Sensor, der durch einen leicht anderen ersetzt wurde. Jedes davon kann die Eingangsgrößen so verschieben, dass das Modell von gestern heute still falsch liegt, und der Fehlerfall ist keine Fehlermeldung, sondern allmählich schlechter werdende Empfehlungen.

Überwachen Sie die Eingangsgrößen ebenso wie die Ausgaben, denn Drift auf der Eingangsseite zeigt sich vor der Verschlechterung des Ergebnisses. Halten Sie einen zurückgehaltenen Testsatz aus realen Fällen vor, Grenzfälle eingeschlossen, damit ein neues Modell ehrlich mit dem laufenden verglichen werden kann. Versionieren Sie das Modell und halten Sie fest, welche Version welche Empfehlung erzeugt hat; nach einem Nachtraining kamen die Ausgaben von gestern von einem anderen Richter.

Und budgetieren Sie den laufenden Aufwand. Ein Modell im Betrieb ist ein gepflegtes Betriebsmittel, näher an einer Prozessanlage als an einem gekauften Report. Wenn niemand Zeit für Nachtraining, Meldungsdurchsicht und die Kontrolle hat, ob die Daten überhaupt noch ankommen, verfällt es, bis die Leute aufhören, es zu nutzen.

Ein realistisches erstes Projekt, mit Abnahmekriterien

Greifen Sie einen benannten Verlust an einer Linie oder einer Produktfamilie heraus, formuliert als Satz mit einer Zahl darin: wir verschrotten so viel an diesem Arbeitsgang, wir verlieren so viele Engpassstunden an dieser Maschine, wir halten so viel Bestand, weil wir diese Familie nicht prognostizieren können. Lässt sich das Projekt nicht so formulieren, ist es nicht reif.

Machen Sie vor jedem Kauf den Datenauszug. Ein Jahr, eine Linie, Bedingungen und Ergebnisse in denselben Zeilen, zwei Leute, die den Prozess kennen, bestätigen, dass die Zeilen stimmen. Vergleichen Sie dann gegen die einfache Alternative: einen Schwellwert, eine Regelkarte oder das Urteil des heutigen Planers.

Schreiben Sie die Abnahmekriterien vor dem Go-live in Werkskennzahlen auf, paarweise, damit die Zielkonflikte offen liegen. Für Predictive Maintenance: eine genannte Zahl abgedeckter Ausfallmechanismen, erkannt mit mindestens einer Woche Vorlauf, gegen eine gedeckelte Zahl an Fehlalarmen pro Monat. Für die Prognose: eine genannte Senkung der Reichweite in Tagen bei den modellierten Familien ohne Zunahme der Fehlmengen. Für die Qualität: eine genannte Senkung des Ausschusses am Zielarbeitsgang gegenüber denselben Monaten im Vorjahr, mit den Prozessänderungen daneben dokumentiert.

Benennen Sie Verantwortlichen, Rückfallverhalten und Nachtrainingszyklus im selben Dokument und setzen Sie einen Review-Termin mit einer ehrlichen Option zum Abbruch. Ein erstes Projekt, das mit der auf Fakten gestützten Entscheidung endet, nicht auszurollen, ist ein Erfolg. Ein Pilot, der zur Dauerdemo wird, ist keiner.

Wo Meta Smart Factory hineinpasst

Meta Smart Factory ist modular, und das ist hier deshalb wichtig, weil das Modul für KI und Machine Learning auf der Ausführungsebene aufsetzt statt danebenzustehen. Das MES liefert Ereignisse und Kontext, IIoT-Anbindung und OPC UA liefern die Maschinensignale, die Qualitätssicherung liefert Ausschuss mit Ursachen, die Instandhaltung liefert die Ausfallhistorie, und die Feinplanung nimmt das Ergebnis auf, wo die Antwort ein Plan und keine Vorhersage ist.

Sie können mit einem Modul gegen eine benannte Restriktion starten und das nächste ergänzen, sobald das erste im Einsatz ist. Was keine Plattform abnimmt, ist der harte Teil: sich darauf zu einigen, was die Zahlen bedeuten, Ursachen an der Maschine erfasst zu bekommen, und zu entscheiden, wem ein Modell gehört, wenn es falsch liegt. Diese Reihenfolge für ein konkretes Werk durchzusprechen, ist ein nützlicheres erstes Gespräch als eine Demo, denn eine Demo funktioniert immer.