Augmented Reality: Sehen lernen
Die AR-Lösung Vuforia im Einsatz beim Maschinenbauunternehmen Howden (Quelle: PTC)
Ebenso attraktiv ist der Einsatz Künstlicher Intelligenz im Kontext von Augmented Reality (AR). Angesiedelt an der Grenze zwischen digitaler und realer Welt, wandelt sie Objekte oder Areale der Wirklichkeit in konkrete, berechenbare Fakten um. Das läuft nach dem Prinzip der Mustererkennung ab: Ein diffuses Bild wird mit bekannten Mustern verglichen. Wird eine hinreichende Ähnlichkeit festgestellt, gilt das Bild als erkannt. Kann das Bild nicht zugeordnet werden, wird es entweder eingelernt (dem diffusen Bild wird einer neuer Begriff zugeordnet, der benennt, was es darstellt), erneut probiert oder aufgegeben. Auch hier verbirgt sich KI in der Software, die für das korrekte Erkennen der Objekte verantwortlich ist. Mit dem sogenannten Deep-Learning-Verfahren lassen sich digitale Objekte mit all ihren Details analysieren und erlernen, um sie später in der Wirklichkeit von jedem Winkel aus wiederzuerkennen. Das Prinzip ist identisch mit dem des menschlichen Sehens und geschieht für uns Menschen einfach sowie intuitiv. Für dessen Imitation durch eine Software allerdings müssen dazu alle relevanten Daten der Wirklichkeit aufgenommen und verstanden werden. Das ist ein rechenintensiver Prozess.
Auf dieser Basis ergibt sich eine große Anzahl von Anwendungen. Beispielsweise nutzt ein Hersteller von E-Autos diese Technologie, um angelieferte oder in der Werkshalle befindliche Bauteile zu identifizieren und ad hoc genaue Informationen aus dem Warenwirtschaftssystem zu erhalten oder diese direkt nachzubestellen. Interessant ist dabei, dass zum Trainieren der KI das digitale CAD-Modell ausreicht, um in der realen Welt Objekte zu erkennen. Dadurch lässt sich der Prozess vollständig automatisieren und auf das gesamte Ersatzteillager anwenden.
Mit digitalen Zwillingen zur vorbeugenden Wartung
Ein anderes Verfahren der KI, bei dem es nicht um die Erkennung oder Optimierung einer komplexen Topologie geht, ist die Vorhersage von Ereignissen. Das sogenannte Machine Learning baut auf Basis eines digitalen Zwillings einer Maschine eine Art Verhaltensgehirn auf. Dieses kann zwischen gewolltem und ungewolltem Verhalten unterscheiden und aus einzelnen Verhaltensmustern Prognosen ableiten. Das ist vergleichbar mit dem Menschen, der anhand eines Grummelns im Bauch Hunger oder anhand eines Kribbelns in der Nase baldiges Niesen erkennt. Die Anwendungen sind Szenarien rund um die Vorhersage von Störfällen und die Planung von Wartungseinsätzen. KI schützt hier vor unnötigen Wartungseinsätzen, die Material- und Arbeitszeitkosten verursachen, ebenso wie vor ungeplanten Ausfällen von Maschinen, die teuer werden können. Im Schnitt kostet eine Stunde Ausfallzeit über alle Industrien hinweg rund 220 000 €, für betriebskritische Maschinen kann es auch schnell in die Millionen gehen.
Wie dramatisch so ein Ausfall sein kann, zeigt das Beispiel eines global agierenden Chemieunternehmens, das eine Abgasverbrennungsanlage in einem Chemiepark betreibt. Würde diese Anlage ungeplant ausfallen, müssten alle angeschlossenen Produktionen ihren Betrieb ebenfalls stoppen. Die Kosten steigen also pro ausgefallener Stunde rasant an. Mithilfe von KI, die in die IIoT-Plattform ThingWorx von PTC integriert ist, wurde ein Vorhersagemodell entwickelt, mit dem man solche Ausfälle zuverlässig prognostizieren und ihnen vorbeugen kann. Am Markt zählt dieser Anwendungsfall, bekannt als Predictive Maintenance, zu den prominentesten Vertretern für starke Wertschöpfungspotenziale.