KI-Challenge Ergebnisse
Konkrete, effiziente und praxisnahe KI-Lösungen stärken die Wettbewerbsfähigkeit der Produktionsbranche nachhaltig.
Die KI-Challenge im Ostalbkreis richtete sich an Unternehmen, die eine konkrete Aufgabe aus ihrem Alltag mit Hilfe von Künstlicher Intelligenz weiterdenken wollten.
Im Mittelpunkt standen reale betriebliche Herausforderungen:
Wie lassen sich Produktionsprozesse robuster und effizienter gestalten?
Wie können Lager, Lieferketten und Materialflüsse besser gesteuert werden?
Wie kann Wissen im Unternehmen gesichert und für die Praxis nutzbar gemacht werden?
Ressourceneffiziente Produktion
Unsere Eventpartner sowie Beiratsmitglieder
Das KI-Challenge-Thema unserer Region
Im Ostalbkreis lag der Fokus auf der Frage, wie mithilfe des Einsatzes von Verfahren der Künstlichen Intelligenz (KI) eine effiziente(re) Nutzung von Ressourcen in der Produktion erreichbar ist.
Gerade in der Produktion ergaben sich dabei viele Anknüpfungspunkte. Ob Qualitätssicherung, Produktionsplanung, Logistikoptimierung, Kreislaufwirtschaft oder Wissensmanagement: Die Teilnehmer:innen brachten ihre eigenen Fragen mit und erarbeiteten gemeinsam mit Expert:innen erste Lösungsansätze.
Folgende Aspekte wurden angesprochen:
• Wie kann KI zu einer Ressourcen- und Energieeinsparung in der Produktion beitragen?
• Wie kann KI das Qualitätsmanagement in den Unternehmen unterstützen?
• Können KI-Lösungen eine Effizienzsteigerung in der Produktion aber auch in Lager und Logistik unterstützen?
• Welches Potenzial bieten Daten zur Umsetzung der nächsten Schritte bis hin zur KI-Anwendung?
Unsere Themenstränge
In interaktiven Workshops wurden Lösungsansätze entlang vier zentraler Themenstränge (TS) entwickelt – alle mit direktem Nutzen für den Ostalbkreis:
Themenstrang #1 – Produktionsplanung und Produktqualität
Die Optimierung der Produktionsplanung war schon immer eine organisatorische und technische Herausforderung, da sie von vielfältigen äußeren Faktoren abhängig ist, die von den produzierenden Unternehmen nur teilweise beeinflussbar oder gar steuerbar ist. Wichtig sind z.B. Materialverfügbarkeit, Personalkapazitäten, Auslastung der Produktionsanlagen und natürlich die Umsetzung der eingegangenen Aufträge mit ihren Lieferzeiten.
Optimierungsverfahren hängen maßgeblich davon ab, welche verlässlichen Informationen zu den einzelnen Bereichen verfügbar sind, auf welcher Granularitätsebene die Planung erfolgen und wie schnell auf unerwartete Ereignisse reagiert werden soll.
Bisherige Scheduling-Algorithmen stoßen hierbei oft aufgrund langer Laufzeiten und begrenzter Rechenkapazitäten an ihre Grenzen. In diesem TS soll untersucht werden, inwieweit man mit KI-Verfahren andere Wege gehen und Verbesserungen erzielen kann.
Des Weiteren beschäftigt sich dieser TS mit dem Thema der Qualitätssicherung, -kontrolle und -prognose sowie der KI-gestützten Produktion, insbesondere für Kleinserien.
Themenstrangleitung: Benedikt Stratmann (Fraunhofer IOSB)
AnormAI – Anomalie Detektion entlang der Produktionskette
ENTWICKLUNG
Projektziel
Ziel des Projektes ist die Entwicklung eines datengetriebenen Systems zur Überwachung der Produktionskette. Das System soll es ermöglichen, Fehlfunktionen frühzeitig zu erkennen bzw. zu beheben sowie zu vermeiden.
ENTWICKLUNG
KI-System und Daten
Analyse von Produktionsdaten in Echtzeit zur frühzeitigen Erkennung bzw. Vermeidung von Fehlverhalten:
- Anomaliedetektion
- Model Predictive Control
Wertversprechen
- Ausschussreduktion
- Ressourceneffizient
- Höhere Qualitätsstandards
- Chance etwas über die Produktionskette und das Anlagenverhalten zu lernen
BETRIEB
Geschäftsmodell
Reduktion der Produktionskosten für die eigenen Produkte.
BETRIEB
Ressourcen und Partner
Ressourcen:
- Historische
- Produktionsdaten
- Testanlage
- Dateninfrastruktur
Partner (intern):
- Produktionsleiter:in
- QS-Leiter:in
Entlang der Produktionskette einer automatisierten und digitalisierten Produktion fallen in großem Umfang Produktionsdaten an. Die Erfassung von > 1000 verschiedenen Merkmalen pro Produkt ist hier keine Seltenheit. Bei der Produktion in Serie werden zudem bis zu 10.000 Produkte pro Stunde produziert. Diese Daten sollen genutzt werden, um die Produktivität der Anlage zu erhöhen.
Da in der Großserienproduktion der Durchsatz schon anlagentechnisch optimiert wurde, soll die datengestützte Anwendung dafür sorgen, Fehler in der Produktionskette frühzeitig zu erkennen und dadurch den Ausschuss und Standzeiten reduzieren. Allein aufgrund der Menge an Daten gestaltet sich hier die Auswertung der Merkmale für jedes Produkt schwierig. Die Daten können aber genutzt werden, um die Produktionskette zu überwachen und Anomalien in Echtzeit zu erkennen.
Als weiteren Ansatz kann ein auf den Produktionsdaten gelerntes Model in der Regelung der Anlage verwendet werden. Beim sogenannten Model Predictive Control (MPC) wird das Verhalten der Anlage in der nahen Zukunft anhand des Modells vorhergesagt und die optimalen Regelungsparameter berechnet. Ziel dieses Ansatzes ist es, Fehler nicht nur frühzeitig zu erkennen, sondern auch zu vermeiden.
SmoothKitchen – Produktionsplanung in der Möbelindustrie
ENTWICKLUNG
Projektziel
- Kapazitätsschwankungen vermindern
- genaue Vorhersage von Bearbeitungszeiten
- schnelle Ausfallkompensation
ENTWICKLUNG
KI-System und Daten
Mustererkennung/Clusteranalysen:
- geplanter/tatsächlicher Zeitbedarf
- Bearbeitungs-Engpässe
- Stillstände
Daten:
- gewählte Konfigurationen
- Maschinenfähigkeiten
- Bearbeitungszeiten
- Verladetage
Wertversprechen
- Reduktion der Nachlieferungen
- Kunden zufriedener
- keine Überlastung von Arbeitsplätzen
- Risikominderung
BETRIEB
Geschäftsmodell
- Kostenreduktion
- interne Weiterentwicklung
- Auslastungs-Dashboard: automatische Kapazitätsmeldungen an Vertrieb
BETRIEB
Ressourcen und Partner
Ressourcen:
- Auftragsdaten
- Maschinendaten, Bewegungsdaten (Historie)
- Datenblätter
Partner:
- Arbeitsvorbereitung
- Produktion
- Zulieferer
Einbau-Kücheneinrichtungen sind fast immer Maßanfertigungen, entweder als Kleinserien oder auch Einzelstücke. Die Gestaltungsmöglichkeiten hinsichtlich Farben, Formen und Funktionalitäten sind dabei für den Kund:innen sehr vielfältig. Die gewünschten Küchenmöbel müssen dann möglichst zeiteffizient und kostengünstig hergestellt werden. In die Auftragsplanung gehen vielfältige Daten ein, wie beispielsweise Lagerbestände, Farbe, Material, Zuschnitt, Bekantung, Fräsung, Bohrung, Dübelung, Endmontage und Verpackung. Außerdem müssen Fähigkeiten und Geschwindigkeiten der unterschiedlichen Maschinen und die Logistik zwischen den Arbeitsschritten berücksichtigt werden. Maschinen optimal auszunutzen und Liefertermine korrekt zu planen, ist daher eine Aufgabe von hoher Komplexität; aufgrund der enthaltenen Unsicherheiten sind mathematische Standardmethoden hier nicht zur Lösung geeignet.
Das Projekt SmoothKitchen hat zum Ziel, durch KI-gesteuerte Verknüpfung und Auswertung der unterschiedlichen Datenquellen, eine verbesserte Kapazitätsauslastung zu erreichen, sowohl Über- als auch Unterkapazitäten zu vermeiden und auch bei Maschinen- oder Mitarbeiterausfällen schnell umdisponieren zu können. Es existiert umfangreiches Datenmaterial aus abgearbeiteten Aufträgen, das zum Training der KI verwendet werden kann; einsetzbare Techniken sind hier Mustererkennung und Clusteranalyse, um Zusammenhänge zwischen Eigenschaften der Auftragsdaten und dem tatsächlichen Fertigungsverlauf erkennen zu können.
Das Ergebnis soll ein Assistenzsystem sein (z.B. ein Dashboard für den Vertrieb), das möglichst in Echtzeit Auslastungen vorhersagt, Ausfälle von Maschinen und Mitarbeiter:innen effektiv kompensiert und die Erreichbarkeit der gewünschten Liefertermine zuverlässig vorhersagen kann. Die ersten Schritte (Sichtung und Bewertung des Datenmaterials) zur Vorbereitung eines Förderprojekts oder direkten Entwicklungsauftrags sind bereits im Gange.
Themenstrang #2 – Lager- und Logistikoptimierung
In diesem TS stehen Optimierungsfragen im Vordergrund, die sich nicht direkt auf die Produktion, sondern auf die Lagerhaltung beziehen und auch die Lieferketten sowie deren Nachhaltigkeit und Resilienz mit betrachten. Es werden Projektideen diskutiert zu den folgenden Themen:
- Lieferkettenmanagement
- Transparenz, Abhängigkeiten, Risikomanagement
- Berechnung von Nachhaltigkeitsmetriken (u.a. CO2-Footprint, digitaler Produktpass)
Themenstrangleitung: Dr. Jan Burke (Fraunhofer IOSB)
LOG-AI – Lager und Logistikoptimierung
ENTWICKLUNG
Projektziel
Lokalisierung von Ladungsträgern vor Maschinen mittels Tags
Erstellung dynamischer Auftragslisten mit Priorisierung der Aufgaben
ENTWICKLUNG
KI-System und Daten
Visualisierung der Position des Ladungsträgers in der Halle
Zugriff auf Auftragsliste und daraus Priorisierung der nächsten Schritte
Wertversprechen
Optimierte Logistikprozesse bzw. Abläufe
Erhöhte Produktivitätssteigerung
Höhere Liefertreue
Kürzere Leerzeiten
Durch weitere Prozessdigitalisierung Grundlage für zukünftige KI-Projekte
BETRIEB
Geschäftsmodell
Einsparungen durch Optimierung der Prozessabläufe
Erhöhte Mitarbeiterzufriedenheit, durch die Reduktion der mentalen Belastung
BETRIEB
Ressourcen und Partner
Internes Projekt, welches Produktionsmitarbeiter:innen, Logistik-/Lagerpersonal, die Produktionsleitung sowie die IT-Abteilung gleichermaßen einbindet.
In einer Produktion werden Aufträge in mehreren Ressourcenstufen bearbeitet. Jede Ressource arbeitet hierbei mit einem eigenen Arbeitsvorrat im ERP-System. Die Materialbereitstellung erfolgt dabei nur für den ersten Arbeitsschritt digital, alle weiteren Versorgungsschritte werden manuell organisiert. Die Feinplanung selbst erfolgt über Papier und direkte Abstimmung. Fertigungsaufträge werden derzeit noch in Papier mit Laufkarten mitgeführt, Echtzeittransparenz und automatische Eingriffe in den Prozess werden dadurch erschwert. Eine aktive Rückmeldung, wann Bereitstellflächen verfügbar sind, existiert nicht.
Typische Herausforderungen:
- Logistik erkennt keine klare Priorisierung von Bereitstellungen
- Produktion erhält Aufträge, bevor Material bereitsteht
- Keine digitale Steuerung zwischen Bearbeitungsschritten
- Lange Laufwege durch fehlende Rückmeldung freier Bereitstellflächen
Wie kann KI unterstützen:
- Dynamische Prioritätenliste und optimierte Abarbeitungsreihenfolge der Aufträge
- Lokalisierung der Aufträge vor den Maschinen und Meldung freier Bereitstellflächen
Themenstrang #3 – Kreislaufwirtschaft
Dieser TS betrachtet als Schwerpunkt die Anforderungen und Technologien zur Realisierung der Kreislaufwirtschaft, insbesondere für die Batterieproduktion. Folgende Aspekte stehen im Vordergrund:
- Aufbau und Nutzung von Digitalen Produktpässen für Batterien/Akkus (u.a. EU-Batterieverordnung 2023/1542)
- Qualitätsoptimierung bei der Batterieproduktion
- KI-gestützte R-Strategien für Batterien
- KI-gestützte Demontage von Batterien
Themenstrangleitung: Dr. Christian Kühnert (Fraunhofer IOSB)
Themenstrang #4 – Wissensmanagement für Ressourceneffizienz in der Produktion
Dieser TS widmet sich dem allgemeinen Thema des Wissensmanagements. Wie kann vorhandenes Wissen in den Unternehmen, auch in Zeiten des Fachkräftemangels, dauerhaft gesichert werden? Wie kann neues Wissen aus den vorhandenen und täglich neu entstehenden Produktionsdaten gewonnen, validiert und zielgruppengenau vermittelt werden? Folgende Aspekte werden angesprochen:
- KI-gestützte Softwareentwicklung (u.a. SPS-Programmierung)
- KI-gestützte Optimierung von Effizienzparametern (u.a. Energie- und Materialeffizienz)
- Resilienz und Nachhaltigkeit von Lieferketten
- KI-gestützte Erstellung von Digitalen Produktpässen
Themenstrangleitung: Philipp Hertweck (Fraunhofer IOSB)
Fabriq – Wissensmanagement
ENTWICKLUNG
Projektziel
Entwicklung eines Systems zur Analyse von Stillstandszeiten und zur Bereitstellung von Handlungsempfehlungen.
ENTWICKLUNG
KI-System und Daten
Aufbereitung und Analyse von Textdokumenten
Identifikation von Zusammenhängen
Ableitung von Handlungsempfehlungen
Wertversprechen
- schnellere Ursachensuche und Fehlerdiagnose
- Ableitung von Handlungsempfehlungen
- Vermeidung/Verkürzung von Stillstandszeiten
- Reduktion von Ausschuss
BETRIEB
Geschäftsmodell
Einsparung durch:
verkürzte Stillstandszeiten
Qualitätsverbesserung
BETRIEB
Ressourcen und Partner
Ressourcen:
- Produktionsdaten
- Schichtinformationen
Partner (intern):
- Produktionsleiter:innen
- Produktionsmitarbeiter:innen
- IT-Leiter:innen
Produktionsausfälle und Qualitätsmängel verursachen erhebliche wirtschaftliche Schäden in produzierenden Unternehmen. Besonders kritisch sind längere Stillstandzeiten, wenn Störungen nicht schnell analysiert und behoben werden können. Der Erfolg liegt in der Fähigkeit, Fehlerursachen zeitnah zu identifizieren und zielgerichtete Gegenmaßnahmen einzuleiten, um die Produktion rasch wieder in Gang zu setzen.
Die zentralen Herausforderungen liegen in der fragmentierten Datenlage durch verteilte Informationen über verschiedene IT-Systeme hinweg, die vorwiegend in unstrukturierten Textdokumenten vorliegen. Hinzu kommt eine fehlende Wissenskonsolidierung, da Problemlösungskompetenz ausschließlich als implizites Expertenwissen vorhanden und nicht systematisch dokumentiert ist.
Das Projekt zielt auf die Entwicklung einer KI-basierten Plattform zur automatisierten Ursachenanalyse und Handlungsempfehlung ab. Die Lösung soll durch intelligente Auswertung verfügbarer Produktions- und Schichtdaten eigenständig Fehlerursachen identifizieren und konkrete Handlungsanweisungen bereitstellen. Dies ermöglicht eine signifikante Verkürzung der Reaktionszeiten und beschleunigt die Wiederaufnahme des Produktionsbetriebs.
Auf den Punkt gebracht:
- Ursachensuche bei Ausfällen und Qualitätsproblemen im Produktionsprozesse
- Durch Nutzbarmachung von Wissen aus verschiedenen Datenquellen -> Ableitung von Handlungsempfehlungen
- Heterogene, teils unstrukturierte Datengrundlage, keine automatisierten Analyseprozesse
1. Strukturierung vorliegender Dokumente (bspw. Schichtprotokolle)
2. KI-gestützte Ursachenanalyse + Ableitung von Handlungsempfehlungen
Werden Sie Teil unseres Netzwerks!
Das Community Management der KI-Allianz Baden-Württemberg verbindet gezielt Wirtschaft, Wissenschaft und Politik in den Regionen, um den Wissensaustausch und die Anwendung von KI-Technologien zu fördern. Das Community Managment der KI-Allianz ist auch in der Region Ostalbkreis vertreten.
Ein Ergebnis oder ganzer Themenstrang interessiert Sie und Sie möchten mehr erfahren oder mitwirken?
Dann wenden Sie sich an unser Community Management für die Region Ostalbkreis:
Frida Akulova-Lebedev
frida.akulova@ki-allianz.de
Impressionen und Stimmen von "Ressourceneffiziente Produktion"
Wir sind alle aufeinander angewiesen.
Das Tolle an der KI (Künstliche Intelligenz) ist, dass ich viele Aspekte zusammenbringen kann.
Wie kann KI uns helfen, die richtigen Fragen zu stellen?
Besonders an diesem Workshop-Format ist, dass die Anbieter keine Lösungen erarbeiten, die anschließend Anwendern angeboten werden können, sondern Anwender selbst direkt an der Konzipierung beteiligt sind.
Unser Plan ging auf. Die Teilnehmer:innen waren inspiriert von der Auftaktveranstaltung und es mangelte an Zeit, nicht an Ideen.