| Thema | Produktionsplanung und -steuerung, Künstliche Intelligenz |
|---|---|
| Projekttitel | Befähigung von KMU zur Nutzung von Potenzialen von Machine Learning in der Produktion und Entwicklung einer Einführungsstrategie (ML-Ready) |
| Laufzeit | 01.03.2022 – 29.02.2024 |
| Projektwebseite | https://ipri-institute.com/forschungsprojekte/mlready/ |
| Pressemitteilung |
Wie können kleine und mittlere Unternehmen (KMU) des Maschinenbaus befähigt werden, die Potenziale von Machine Learning zu implementieren und zu nutzen, um eine Verbesserung der Ressourceneffizienz in der Produktion zu erreichen? Das untersuchen wir im Forschungsprojekt ML-Ready gemeinsam mit dem IPRI.
Machine Learning findet bereits in vielen Bereichen des alltäglichen Lebens Anwendung, wie dem Verkehr oder dem Gesundheitswesen. Das Fundament für eine erfolgreiche Anwendung von Machine Learning bilden Daten und deren Verfügbarkeit sowie ausreichende Rechenleistung, um diese auszuwerten. Gleichwohl wird Machine Learning bislang kaum für die Steigerung der Ressourceneffizienz in der Produktion verwendet.
Im unternehmerischen Umfeld wird Machine Learning meist mit Predictive Maintenance in Verbindung gebracht. In der Produktion ergeben sich jedoch weitere vielseitige Potenziale zur Steigerung der Ressourceneffizienz:
- In der Produktionsplanung und -steuerung lässt sich Machine Learning beispielsweise in der Auftragssteuerung zur Reihenfolgebestimmung (Rüstoptimierung, Reduzierung des Energieverbrauchs oder der Energiekosten), zur Belastungsnivellierung oder zur Ressourcen- und Kapazitätsplanung nutzen
- Von der Anwendung von Machine Learning zur Prozessoptimierung wird eine höhere Anpassungsfähigkeit der Prozesse an sich ändernde Bedingungen erwartet, wodurch die Produktqualität stabilisiert werden kann. Beispielsweise können Fehlerdiagnosen durchgeführt oder Condition Monitoring angewendet werden.
- Im Qualitätsmanagement können Machine Learning-basierte Modelle zur Überwachung oder zur Prognose der Produktqualität auf Basis von Prozessdaten eingesetzt werden. So können Maßnahmen wie die Überprüfung von Stichproben reduziert werden.
Bei der Implementierung stoßen Unternehmen jedoch auf Hürden wie fehlendes Know-how, fehlender Nachweis des Mehrwerts oder fehlende technische Infrastruktur. Im Projekt ML-Ready wollen wir insbesondere KMU unterstützen, zukünftig diese Hürden zu meistern und Machine Learning zu nutzen.
Veröffentlichungen zum Projekt
Machine Learning findet bereits in vielen Bereichen des alltäglichen Lebens Anwendung und bietet weitreichende Potenziale in der Produktion. Gleichzeitig gewinnt durch die zunehmende Relevanz von ESG der effiziente Einsatz von Ressourcen immer mehr an Bedeutung. Mit der Umsetzung von Machine Learning in der Produktion zur Steigerung der Ressourceneffizienz können Unternehmen effektiver und effizienter werden, wobei sie gleichzeitig ESG-Strategien umsetzen. Insbesondere KMU stellt die Einführung vor eine große Herausforderung. Neben der hohen Komplexität von Machine Learning-Anwendungen fehlt oft die Kenntnis über passende Anwendungsmöglichkeiten sowie die Überzeugung des Nutzens, der sich daraus ergibt. Im folgenden Artikel werden Anwendungen des Maschinellen Lernens zur Steigerung der Ressourceneffizienz entlang der internen Lieferkette sowie deren Potenziale diskutiert.
Machine Learning, Produktion, Ressourceneffizienz
Die Nutzung von Machine Learning hat sich bereits in vielen Bereichen des alltäglichen Lebens etabliert und findet zunehmend Anwendung. Auch im Bereich der Produktion und Logistik gewinnt Machine Learning immer mehr an Bedeutung. Die komplexe Implementierung stellt jedoch vor allem kleine und mittlere Unternehmen (KMU) vor große Herausforderungen. Dies führt dazu, dass viele KMU auf die Nutzung von Machine-Learning-Anwendungen verzichten. Daher befasst sich das IPH – Institut für Integrierte Produktion gemeinsam mit dem IPRI – International Performance Research Institute in dem Forschungsprojekt „MLready“ mit der Entwicklung einer Einführungsstrategie, die KMU dazu befähigen soll, Machine Learning einfach und effizient implementieren und nutzen zu können
Maschinelles Lernen, KMU, Produktion, ML-Einführungsstrategie
