Vom Omnibussen über Lastkraftwagen bis hin zur bau-, forst- oder landwirtschaftlichen Arbeitsmaschinen – Nutzfahrzeuge decken eine große Bandbreite an Einsatzgebieten ab. Genau das macht sie aus KI-Sicht so interessant. Patrick Ruediger-Flore erläutert: „Die Stückzahlen sind in der Nutzfahrzeugbranche zwar deutlich niedriger als in der Automobilindustrie. Allerdings sorgt die Vielfalt an Kombinationsmöglichkeiten – eine Variante für jeden Nutzen – für eine hohe, schwer überschaubare Komplexität.“ Sprich, hier zahlt sich der Einsatz von KI beziehungsweise Maschinellem Lernen aus.

Maschinelles Lernen ist „kein Hexenwerk“

Um den immensen praktischen Wert der Technologie aufzuzeigen, fördern das Land Rheinland-Pfalz– unterstützt durch EFRE-Mittel der Europäischen Union – und der Commercial Vehicle Cluster (CVC) Südwest das Forschungsprojekt „Nutzung künstlicher Intelligenz in der Nutzfahrzeugproduktion“, bei dem die Forscher der TUK Hand in Hand mit der Praxis arbeiten. Drei KMUs (Kleine und Mittlere Unternehmen) und ein Großunternehmen – darunter sowohl Produzenten als auch Zulieferer – sind mit an Bord. „Wir wollen zeigen, was in der Künstlichen Intelligenz steckt und dass sich mit ihrer Hilfe alltägliche Herausforderungen in der Produktion meistern lassen. Die Technologie ist viel näher an der Marktreife, als viele denken“, sagt Ruediger-Flore. „In der Automobilproduktion kommt Maschinelles Lernen schon heute zum Einsatz“, ergänzt der Informatiker. „Zum Beispiel, indem Kamera-gestützte Verfahren qualitätsrelevante Inspektionsprozesse verbessern bzw. die menschlichen Augen bei der Kontrolle unterstützen.“

KI ist ein Forschungsfeld, wie es interdisziplinärer nicht sein könnte. Aus dem produktionswissenschaftlichen Kontext ergeben sich die Anwendungsfälle – die Lösungen basieren auf angewandter Informatik. Eines der praktischen Beispiele, die die Forscher im Nutzfahrzeugprojekt untersuchen, haben sie im Warenausgang eines Ersatzteillieferanten identifiziert. „Viele Ersatzteile gibt es in spiegelverkehrten Varianten für links und rechts, die auf den ersten Blick kaum zu unterscheiden sind“, so Moritz Glatt. „Dementsprechend hoch ist die Verwechslungsgefahr bei der Qualitätskontrolle. Wird die falsche Variante kommissioniert und zum Kunden gesendet, kann das zu teuren Maschinenstillstandzeiten führen.“

Schlaue Berechnungsverfahren entwickeln

Abhilfe schaffen Algorithmen, die mit Daten, in dem Fall zum Beispiel mit digitalen Modellen von Teilen, gefüttert werden. Ruediger-Flore: „Uns geht es darum, ein bildgebendes Verfahren so zu trainieren, dass es angesichts eines vom Kunden bestellten Ersatzteils „rechte Variante“ und „linke Variante“ bzw. „richtig“ und „falsch“ zuverlässig unterscheiden kann. Die Hauptarbeit steckt darin, die Ausgangsdaten so vorzubereiten, dass die Algorithmen sie verwerten können. In der Regel testen wir dabei parallel verschiedene Berechnungsverfahren auf ihre Eignung. Computergestützte Rechendurchläufe zeigen dann, welches Modell zum gewünschten Ergebnis führt. Die Algorithmen selbst müssen wir nicht entwickeln – diese liegen schon anwendungsfertig in Bibliotheken vor.“

Was die spätere Umsetzung im betrieblichen Umfeld betrifft: Im Idealfall ist, abgesehen vom Rechenverfahren, höchstens noch eine Kamera oder ein zusätzlicher Bildschirm nötig, um die digital optimierte Qualitätskontrolle in bestehende Produktionsabläufe einzubinden. Dass sich bei der Einführung von KI heutzutage größtenteils auf vorhandenes Equipment aufsetzen lässt, ist auch eine zentrale Botschaft des Projekts. Hier habe die fortschreitende Digitalisierung entscheidende Vorarbeit geleistet, erklärt Glatt: „In punkto Rechenleistung, Hard- und Software sind die meisten Unternehmen mittlerweile gut aufgestellt. Oftmals liegen auch schon ausreichend prozessrelevante Daten vor, die wir nutzen können. Grundsätzlich lässt sich sagen: Je digitaler Betriebe bereits arbeiten, desto leichter können sie vom Maschinellen Lernen profitieren.“

Mit Best-Practice-Beispielen motivieren

Anhand von produktions- und qualitätsbezogenen Kennzahlen wollen die Forscher am Ende sichtbar machen, wie die teilnehmenden Betriebe vom Maschinellen Lernen profitieren. „Unser Ziel ist es, vier fundierte Best-Practice-Beispiele zu liefern und diese dann über das Netzwerk des CVC zu kommunizieren und zu verbreiten“, so Ruediger-Flore. „Auf diesem Weg sollen unsere Erkenntnisse möglichst viele Unternehmen erreichen und motivieren.“

Ganz nebenbei ist das Projekt auch eine wertvolle Bereicherung für die Ingenieurausbildung. „Die Anwendungsszenarien werden Studierende im Rahmen von Facharbeiten gemeinsam mit den Partnerunternehmen ausarbeiten“, sagt Glatt. „Dadurch können sie sich in der Praxis immer stärker nachgefragte Kompetenzen aneignen. Denn die Künstliche Intelligenz ist eine Technologie, die noch vor dem großen Durchbruch steht.“

+++

Auf dem Titelfoto sind abgebildet: Patrick Ruediger-Flore (links) und Moritz Glatt.

+++