Künstliche Intelligenz Embedded-KI – ein Extra-Push für den Maschinenmarkt

Anbieter zum Thema

AITAD GmbH

Board Deutschland GmbH

INFOMOTION GmbH

QUNIS GmbH

Lieferengpässe, rückläufige Bestellungen und die Unsicherheit, was als Nächstes kommt, belasten deutsche Maschinenbauer. Integrieren sie Innovationen wie Embedded-KI in ihre Produkte, können sie ihre Geschäftsmodelle rund um Leasing, Instandhaltung und Service ausbauen.

Laut einer Umfrage des Ifo-Instituts vom Juli 2022 meldeten fast drei Viertel der Unternehmen Materialengpässe. Rund 90 Prozent der Hersteller aus Elektroindustrie, Maschinenbau und der Automobilbranche gaben an, dass sie nicht alle Materialien und Vorprodukte erhalten. Es zeigte sich deutlich, dass die deutsche Industrie unter Lieferengpässen leidet. Ein Problem sind auch die zurückhaltenden Kundenbestellungen. Noch sind die Geschäfte der deutschen Maschinenbauer im Plus, aber die Schwäche der Weltkonjunktur macht sich zunehmend bemerkbar.

Entscheidend wird vor allem sein, wie flexibel die deutschen Maschinenbauer sind, wenn es darum geht, Innovationen in ihre Produkte zu integrieren und bestehende Geschäftsmodelle auszubauen oder neue zu entwickeln. Ein deutlich unterschätztes Gebiet ist dabei der Einsatz von Embedded-KI.

Bildergalerie

Bildergalerie mit 5 Bildern

Als Embedded-KI werden Elektroniksysteme bezeichnet, in denen Künstliche Intelligenz autark und lokal wirkt. Das Marktpotenzial ist enorm - mitverursacht durch Mitläufertrends wie IIoT, Connectivity, Security und Cloud Services. Allied Analytics schätzt alleine den KI-Halbleitermarkt im Jahre 2030 auf über 190 Milliarden US-Dollar. Zum Vergleich: das Wachstum des AI-as-a-service-(Cloud-)Marktes wird auf fast 44 Milliarden US-Dollar im gleichen Zeitraum prognostiziert.

In der Praxis lässt sich Embedded-KI in drei wesentliche Einsatzgruppen aufteilen:

• Funktionale Innovationen

• User Interaction

• Predictive/Preventive Maintenance

Ersteres ermöglicht neuartige Funktionen, die den Zielnutzen eines Produkts oder Prozesses durch einzigartige Funktionen optimieren oder verändern. User Interaction als zweites Einsatzfeld erstreckt sich von einfacher Sprach-Befehlseingabe mit KWS und Keyword Spotting über Gestenerkennung bis hin zu komplexeren Mensch-Maschine-Kollaborationen wie Bedienertracking, Augentracking oder Werkstückerfassung.

Als wohl größter Hidden Need vieler Produkthersteller sind aktuell die typischen Wartungsthemen wie die vorausschauende Wartung oder vorbeugende Wartung anzusehen, die über einfaches Condition Monitoring hinausgehen und frühzeitige und intelligente Vorhersagen über konkrete Fehlerbilder liefern und damit ungeplante Maschinenausfälle weitgehend verhindern.

Konkrete Einsatzgebiete sind:

• Präziseres Abfüllen bei Abfüllanlagen von Lebensmitteln anhand adaptiver Szenarienerkennung und folglich besserer Abfüllgeschwindigkeit durch Vorhersagen im Live-Prozess.

• Eine Transportanlage, die anhand des Bandflatterns rechtzeitig vor Produktionsstillstand der gesamten Anlage warnt.

• Eine Spritzgussmaschine, die in Echtzeit nach Druck- und Temperaturdaten den Prozess zwecks eines einwandfreien Form-Ergebnisses anpasst.

• Eine Metall-Trennanlage, die beim akustischen „Notaus“-Ruf des Bedieners aus Sicherheitsgründen abschaltet.

• Eine Hydraulikpresse, bei der anhand von Druckkurven das Pressergebnis optimiert und mögliche Hydrauliklecks frühzeitig detektiert werden.

Unternehmen, die Embedded-KI einsetzen, gewinnen auf zweierlei Weise: Durch die Nutzung vom Embedded-KI für Predictive/Preventive Maintenance kann die Ausfallsicherheit von Maschinen zu annähernd 100 Prozent garantiert werden. Mit Maschinen, die bereits Monate im Voraus Verschleiß oder bald anstehende Reparaturen anzeigen, können Servicereparaturen und die Besorgung benötigter neuer Verschleißteile rechtzeitig organisiert werden. Das schafft eine bessere Planungssicherheit und verhindert plötzliche Ausfälle und unnötige Produktionsstillstände. Die Langlebigkeit einer Maschine wird damit zum beiderseitigen Interesse von Hersteller und Kunde und ermöglicht ein deutlich höheres Maß an Nachhaltigkeit. Hersteller wiederum können neue Geschäftsmodelle wie Hardware-as-a-Service einführen und damit von regelmäßig wiederkehrenden Umsätzen profitieren. Andererseits ermöglicht der Embedded-KI-Einsatz neue innovative Funktionen in den Produkten und bietet den Kunden einen höheren Mehrwert und Nutzen.

Auf Nachhaltigkeit bei Energie und Lieferkette setzen

Jede Optimierung oder Verbesserung von Prozessen und Funktionen führt zu mehr Nachhaltigkeit. Egal, ob es sich um Energieverbrauch, Materialabnutzung oder Vermeidung von Ausfällen handelt. Für die Embedded-KI gilt dies im besonderen Maße. Aufgrund der Autarkie vor Ort führt die hohe Ressourcenbeschränkung dieser Systeme zu Kosten-, Speicher- und Strom-Einsparungen bei gleichzeitigem Performancegewinn, z. B. durch Echtzeitfähigkeit.

Ein zweiter wichtiger Aspekt ist, dass Embedded-KI die Hersteller zu nachhaltigen Geschäftsmodellen und langfristigeren Produktlebenszyklen hinführt. Predictive/Preventive Maintenance (kurz: P/PM) sowie Leasing- und Servicegeschäftsmodelle sind ein Anreiz für Produkthersteller, sich wieder vermehrt auf langlebiges Produktdesign und -einsatz zu konzentrieren. Das regt zu nachhaltigerem, langfristigem Wirtschaften an und führt letztendlich zu Material- und Energieeinsparungen.

Der dritte und aktuell wohl spannendste Aspekt bei P/PM ist die Qualitätssicherstellung. Maschinenbauunternehmen sind stets durch die Lieferkrise gezwungen, neue Teile ohne Qualitätserfahrungen einzusetzen. Durch Überwachung mit intelligenten Sensoren mit KI an Bord kann man solche Kompromisse und Sorgen so abfedern, dass der Endkunde die Auswirkungen, beispielsweise einen frühzeitigen Ausfall, nicht mehr spürt. So bleibt der Einkauf nachhaltig flexibler.

Predictive und Preventive Maintenance – ein Feld mit vielen Möglichkeiten

Embedded-KI liefert dem Nutzer oder dem Service frühzeitige Ausfallsvorhersagen bis zu einigen Monaten im Vorfeld. Das gibt Unternehmen die Chance, ohne produktbezogene Folgekosten auf neue Geschäftsmodelle umzusteigen, die den Service, die Kundenorientierung und Recurring Revenue im Fokus haben.

Die KI bei Predictive oder Preventive Maintenance – der Unterschied liegt meistens nur im konkreten Use Case – erkennt in Echtzeit und robust die trainierten Anomaliemuster oder Abweichungen von der Norm. Das Modell wirkt auf Basis der Vorverarbeitung in der gleichen Rechenkomponente, also dem Halbleiter. Das heißt, dass der einzelne Sensorstream oder mehrere Sensorquellen schon aufbereitet, gefiltert oder transformiert sind und nicht erst wie bei Edge-KI oder Cloud-KI über das Netzwerk oder in die Cloud zur Verarbeitung übertragen werden müssen.

Embedded-KI arbeitet am Sensor auf der Platine mit derart großen Datenmengen, die teilweise im Gigasample-Bereich liegen, dass sie gar nicht oder nur sehr aufwendig weiter übertragen werden könnten. Die KI muss sie direkt vor Ort weiterverarbeiten, um die gewollten, tiefgehenden Zusammenhänge aufzuspüren. Bei der Überwachung von Motoren, Lagern, Dichtungen, Pumpen, Getrieben, Hydrauliken, Bandantrieben oder Linearführungen kommen typischerweise Ultraschall-, Schall- und Vibrationssensoren, aber auch Ölspektrografie, Fluss, Staubanalysen oder Strommonitore zum Einsatz. Mit KI-gestützten Sensoren lassen sich selbst Sekundärphänomene wie Last oder Achsendruck miterkennen.

Warum sollte es Embedded-KI sein und nicht Cloud-KI oder Edge-AI?

Cloud-KI war der Anfang, Edge-KI allein ist nur ein Übergang. Die Zukunft liegt in der dezentralen Verarbeitung. Mit Embedded-KI wird die lokale Verarbeitung großer Datenmengen ermöglicht, sodass das Risiko des Abfangens oder Manipulieren von sensiblen Daten verringert wird. Das führt zu einer höheren Daten- und Systemsicherheit. Ein Gerät muss keine performante Netzwerkinfrastruktur vorhalten, um Daten verarbeiten zu können. Somit ist eine geringere Konnektivität erforderlich, was die Produktions- und Folgekosten reduziert. Embedded-KI lebt von beschränkten Ressourcen, was Stromversorgung, Rechen- und Speicherleistung angeht. Solche Komponenten erfassen und verarbeiten die Daten sofort und können darauf in Millisekunden reagieren. Bei vielen Anwendungen ist das ein Muss. Ebenso kann das Gerät Daten in Echtzeit analysieren und überträgt nur das, was für die weitere Analyse in der Cloud relevant ist. Dadurch werden die Datenmengen reduziert.

eBook

Die Wahl einer sicheren KI-Infrastruktur

Zugeschnittene Lösungen

Embedded-KI steht erst am Anfang seines Entfaltungspotenzials. Entsprechende Produkte verfügen daher automatisch über einen zusätzlichen Unique Selling Point. Wichtig ist, dass Einsatz und Nutzen für den Hersteller und Anwender miteinander in Einklang sind. Maschinenbauer sollten daher ganz gezielt nach Beratung und Experten Ausschau halten, die individuelle Lösungen entwickeln, die genau auf die Produktanforderungen abgestimmt werden können. So meistern sie erfolgreich die Lieferketten- und Energiekrise.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

* Viacheslav Gromov ist Gründer und Geschäftsführer von AITAD.

(ID:49303754)