Entscheidungen werden in einer heterogenen Produktionslandschaft oft nach Gefühl oder anhand von Erfahrungen leitender Mitarbeitenden in der Produktion getroffen. Diese Erfahrungen werden sich jedoch oft durch vorrangegangene Leistungs- und Qualitätsverluste erkauft. Simulationsmodelle könnten hier genutzt werden, um diverse Was-Wäre-Wenn-Szenarien für die Entscheidungsfindung verfügbar zu machen. Dazu müssen sie jedoch über ausreichend Details verfügen, um entscheidungsrelevanten Einfluss- und Kenngrößen verarbeiten bzw. reproduzieren zu können. Doch Simulationsmodelle dienen unterschiedlichen Zielen, etwa die Berechnung der Fertigungsqualität oder von relevanten Kenngrößen von Logistik-Prozessen in Fertigung und Montage. Oft ist jedoch die erforderliche Rechenleistung zu hoch oder die Bereitstellung der Rechenleistung vor Ort zu aufwändig, um solche Simulationen in die Produktionssteuerung überhaupt integrieren zu können.
Künstliche Intelligenz integriert
Abhilfe können hier Machine-Learning-Ansätze aus dem Bereich der KI-Forschung bieten. Dadurch werden verschiedene Simulationsmodelle und deren Berechnungsleistung in ein Modell kondensiert, das mit Eingangsvariablen trainiert wurde und damit Ausgangsvariablen schätzt. Dieser Ansatz kann auch eine Strategie sein, um Erfahrungswissen der Beschäftigten im System abzubilden. Neben dem initialen Training ist es zudem wichtig, die ML-Modelle auch auf nicht erkannte Fehlersituationen nachzutrainieren bzw. das Training bei sich ändernden Randbedingungen anzupassen. Unternehmen können im konkreten Fall aufgezeichnete Daten nutzen, die dann jedoch lediglich dieses Problem adressieren. Wird das akute Problem mit Hilfe von Simulationstechniken nachgestellt und im weiteren Verlauf ggf. eine hohe Variantenbandbreite digital erzeugt, kann das ML-Modell auf ähnliche Fehlerbilder nachtrainiert werden. Bis dato genutzte Simulationsmodelle können Anwender etwa einsetzen, um die angepassten ML-Modelle auf Regression zu prüfen.
Was bringt die Kombination?
Durch das Zusammenspiel von Machine Learning und Simulation können Anwender unterschiedliche Effekte erzielen. Alle Informationen die mit Hilfe von Simulationssoftware aus Modellen und Sensorik-Elementen gewonnen wurden, können zu einem großen Bild zusammengeführt werden. Viele Entscheidungen lassen sich so schneller treffen und bewerten. Schwierige Engpässe von Maschinen können im virtuellen Modell beziehungsweise im digitalen Zwilling besonders bewertet werden. Im KI-Modul werden dafür Eingangswerte an besonders kritischen Stellen über Sensoren gelenkt. Bisher war dies meist nur während der Inbetriebnahme eines Produktionsablaufs möglich. Durch die Kombination von KI und Simulation ist dieses Vorgehen nun bereits im Vorfeld umsetzbar. Sämtliche Sensoren wie Kameras, Temperaturmesser, Ströme, Drehmomente übermitteln Daten automatisiert in das KI-Modell, nicht verfügbare oder im realen System schwer ermittelbare Messwerte können durch ein Simulationsmodell in Echtzeit aus verfügbare Sensordaten berechnet werden.
