EN

KI in der Elektronikfertigung: Intelligenter produzieren

In der Elektronikfertigung und -produktion steigt trotz eines bereits hohen Automatisierungsgrades der Bedarf an noch effizienteren Produktionsprozessen. Durch den Einsatz der KI in der Elektronikproduktion ergeben sich dabei zahlreiche Produktivitätshebel.

Effizienzsteigerung und Qualitätssicherung mithilfe von KI

Produzierende Unternehmen beschäftigt seit Jahren die Digitalisierung ihrer Fertigung. Maschinen werden vernetzt, immer mehr Daten generiert. Künstliche Intelligenz (KI) hat dabei das Potential, aus diesem Datenschatz wertvolle Informationen zu gewinnen. Gerade die wettbewerbsintensive Elektronikbranche versetzt sie damit in die Lage, Prozesse zu automatisieren, die Flexibilität in der Elektrontikfertigung zu erhöhen, Energiekosten und Ressourcenverbrauch zu senken und gleichzeitig die Qualität zu steigern.

KI in der Fertigung: Der Unterschied zwischen Machine Learning und Deep Learning

KI ist dabei erst einmal der grundsätzliche Versuch, die menschliche Entscheidungsfähigkeit künstlich nachzuahmen. Unter dem Überbegriff versammeln sich dann Machine Learning (ML) und Deep Learning, das auf künstlichen neuronalen Netzwerken (KNN) basiert und eine Unterkategorie von Machine Learning darstellt.

Für Unternehmen zählt besonders der Unterschied zwischen „klassischem“ Machine Learning und Deep Learning. So sind die statistischen Methoden des Machine Learnings nicht in der Lage unstrukturierte Daten zu verarbeiten. Die Folge: Aufwendige Merkmalsextraktion (Feature Engineering) durch Experten. Dafür stellt ML keine hohen Ansprüche an die Hardware und den Datenumfang. Eine typische Anwendung ist die vorausschauende Wartung, die bei einer soliden Datenbasis beispielsweise über Microsoft Azure ohne großen Programmieraufwand realisiert werden kann.

Beim Deep Learning entfällt die Merkmalsextraktion. Lediglich Informationen etwa in Form von unstrukturierten Bild- oder Tondaten sind in ausreichender Anzahl bereitzustellen. Neben Machine-Learning-Modellen wie Support Vector Machines (SVP) setzt Deep Learning bei der visuellen Qualitätskontrolle den derzeitigen Branchenstandard, was die intelligente Automatisierung der Elektronikfertigung angeht. Voraussetzung sind allerdings große Datenmengen, zeitintensive Trainingsintervalle und leistungsstarke Computer.

KI in der Produktion

KI-Anwendungen lassen sich grundsätzlich in nahezu allen Unternehmensbereichen realisieren. In der Praxis bieten sich jedoch bestimmte Felder besonders an.

  • Instandhaltung
    Die vorausschauende Wartung (Predictive Maintenance) wird längst als Schlüsselthema in der produzierenden Industrie erkannt. Unverzichtbar für die Umsetzung ist das sogenannte Condition Monitoring, das kontinuierlich Mess- und Produktionsdaten von Maschinen und Anlagen sammelt. Auf dieser Basis optimieren Machine-Learning-Algorithmen zum Beispiel Wartungsintervalle um zukünftige Ausfälle zu verhindern.
  • Qualitätsmanagement
    Befragt man Unternehmen nach dem Nutzen von KI in der Fertigung fällt am häufigsten der Bereich Qualitätssicherung. Sowohl klassische Machine-Learning-Modelle als auch Deep Learning in Kombination mit hochauflösender Bildverarbeitung verwandeln Qualitätsmanagement und -kontrolle in einen hochautomatisierten Prozess. So erkennt etwa die KI nach einem Training mit „Gut-Bildern“ selbständig jede Abweichung vom optimalen Zustand eines Werkstückes.
  • Logistik
    Künstliche Intelligenz kann im Rahmen der Produktion Engpässe in der Logistikkette identifizieren und präventive Maßnahmen anstoßen. Daneben reduziert etwa die Optimierung der Lagerhaltung auf Basis von Trendprognosen die Kapitalbindung.
  • Digitale Assistenzsysteme
    KI-basierte digitale Assistenzsysteme steigern Flexibilität und Produktivität, indem sie die Mitarbeiter zu jedem Prozessschritt die passenden Informationen bereitstellen. Dabei lernen die intelligenten Algorithmen aus der Interaktion und passen so zum Beispiel die Mitteilungen an das Qualifikationsniveau an. Gesten- und Spracherkennung machen zudem die Zusammenarbeit intuitiver und sicherer.
  • Produktionssteuerung
    Künstliche Intelligenz passt ideal zu modernen Fertigungssteuerungssystemen (MES), denn die Datenbasis steht in den meisten Fällen schon bereit. Mit Machine Learning lassen sich daraus Prognosen als Grundlage für eine vorausschauende Planung und Produktionssteuerung ableiten. So werden etwa Durchlaufzeiten erhöht, Störungen oder Engpässe im Vorfeld identifiziert und geeignete Maßnahmen eingeleitet.
  • Sales / After Sales
    Diskutiert werden aktuell Möglichkeiten ChatGPT – eine Deep-Learning-basierte Variante des GPT-Sprachmodells (Generative Pre-training Transformer) – für menschenähnliche Kommunikation im Bereich Sales und After Sales einzusetzen. Dagegen sprechen allerdings noch zweifelhafter Datenschutz und Ungenauigkeiten auf Grund falscher Annahmen seitens der KI.
  • Nachhaltigkeit
    Künstliche Intelligenz steigert die Nachhaltigkeit in nahezu allen Unternehmensbereichen. Etwa durch material- und energiesparende Fertigungsprozesse, eine vorausschauende Prozesskontrolle, die zum Beispiel Ausschuss reduziert, durch eine optimierte Steuerung von Klimaanlagen oder eine ressourceneffiziente Logistik.

Rahmenprogramm

Zusätzlich zur Messe bietet unser umfangreiches Rahmenprogramm einzigartige Einsichten im Bereich KI in der Elektronikfertigung.

Live-Demonstrationen

© Messe München GmbH
A1, A1.454, bott, Armbruster Engineering, Arbeitsplatz, Messtechnik, Prüftechnik

Foren

© Messe München GmbH
Halle B2, Innovation Forum, KeyNote, Markus Fessler (Nokia)