Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Seit zwei Jahren greift ein EU-weites Sicherheitssystem mit dem verschreibungspflichtige Medikamente kontrolliert und ihre Echtheit verifiziert werden soll. Es heißt securPharm und setzt an der gesamten pharmazeutischen Lieferkette an. Hält es, was es versprochen hat? Ein Gespräch mit Chantal Mause, Rahel Kröhnert und Dieter Uckelmann von der Hochschule für Technik in Stuttgart.

Fällt ein Lieferant aus oder wird ein Großkunde zahlungsunfähig hat das erhebliche Auswirkungen auf das eigene Unternehmen. Werner Gleißner, Honorarprofessor an der Technischen Universität Dresden, ist ein Experte für das Risikomanagement. Er erklärt, welche Kennzahlen sich Unternehmen bei ihren Vertragspartnern anschauen sollten, um drohende Insolvenzen zu erkennen und die eigene zu vermeiden.

Anwendungen wie fahrerlose Transportsysteme oder integrierte Robotik weisen in der modernen Fertigung zunehmend autonome Eigenschaften auf. Autonome technische Systeme können sich dynamisch an Benutzer anpassen, die Umgebung wahrnehmen und komplexe Aufgaben eigenständig lösen. Im Betrieb können dabei unsichere Systemzustände in unbekannten Szenarien auftreten, die zu einer Beeinträchtigung oder zu einem Sicherheitsrisiko führen können. Die Selbstheilung ist dabei eine inhärente und notwendige Eigenschaft, um die Resilienz dieser Systeme sicherzustellen. Im Rahmen des Beitrags stellen wir eine Systemarchitektur selbstheilender Systeme vor. Am Beispiel eines autonomen Transportsystems zeigen wir exemplarisch die Ergebnisse und den möglichen Einsatz in der vernetzten Fabrik.

Reinforcement Learning (RL) konnte bereits publikumswirksam in Video- und Strategiespielen beeindruckende Erfolge erzielen [1]. Diese Grundlagenforschung schafft die Grundlagen, dass RL für reale Entscheidungsprobleme in der Produktion nutzbar wird. Beispiele hierfür sind: Wie erhält ein Roboter mehr Intelligenz, um Aufgaben selbstständiger und ohne aufwendige Programmierung durchzuführen? In welcher Reihenfolge müssen Aufträge in einer Produktion abgearbeitet werden, um eine optimale Termintreue zu erhalten? Der Beitrag gibt eine Einführung in die Arbeitsweise des RL, sowie dessen bevorzugte Einsatzgebiete und beschreibt Anwendungsbeispiele aus dem produzierenden Alltag. Das präsentierte Überblickswissen über die aktuelle Forschung soll diesen Teilbereich der Künstlichen Intelligenz einem breiteren Interessentenkreis zugänglich machen. Übergeordnetes Ziel der beschriebenen Methoden ist, die Wertschöpfung am Wirtschaftsstandort Deutschland kontinuierlich zu steigern.

Wie in vielen Industriezweigen gewinnt auch in der Kunststofftechnik die Qualität spritzgegossener Bauteile aufgrund erweiterter Einsatzgebiete mit höheren mechanischen Belastungen zunehmend an Bedeutung und wird zu einem entscheidenden Erfolgsfaktor für den langfristigen Unternehmenserfolg. Zunehmend komplexe Bauteilgeometrien, steigende Variantenvielfalt, höhere Anforderungen an Nachhaltigkeit und Ressourceneffizienz sowie wachsender Kostendruck führen jedoch dazu, dass etablierte Methoden der Qualitätssicherung vermehrt an ihre Grenzen stoßen. Gleichzeitig eröffnen die zunehmende Digitalisierung und Vernetzung im Rahmen von Industrie 4.0 produzierenden Unternehmen innovative Möglichkeiten für die qualitätsorientierte und datengetriebene Weiterentwicklung und Optimierung von Produkten und Prozessen. Der Digitale Zwilling als Basis prozess- und unternehmensübergreifender Datenanalytik eröffnet in der Kunststofftechnik neue Möglichkeiten, die Prozess- und Bauteilqualität bei der Verarbeitung von Kunststoffen zu technischen Bauteilen proaktiv und prädiktiv zu überwachen und zu verbessern.

Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem Rolltor, die im Rahmen des „LongLife“ Projekts durchgeführt wurden, das vom Bundesministerium für Bildung und Forschung gefördert wird. Das Forschungsvorhaben ist der Fördermaßnahme „Ressourceneffiziente Kreislaufwirtschaft – Innovative Produktkreisläufe“ (ReziProK) zugeordnet und hat eine Laufzeit von 36 Monaten.

Ca. 10% der in Umlauf gebrachten Arzneimittel in Ländern mit geringem bis mittleren Einkommen waren 2017 gefälscht [1]. Diesem hohen Fälschungsumfang beugt das securPharm-System in Deutschland vor. Es ermöglicht, Fälschungen entlang der Lieferkette zu identifizieren und deren Abgabe zu stoppen. Die Überprüfung erfolgt EU-weit über Ländergrenzen hinweg durch ein Datenspeicher- und abrufsystem. Aufgrund einiger systembezogener Schwierigkeiten ist das System in Apotheken dennoch nicht gänzlich akzeptiert. Eine zusätzliche Problematik bildet der Onlinehandel, der nicht in gleichem Maße abgesichert werden kann wie der stationäre Handel. Ein abschließender tabellarischer Vergleich mit dem US-amerikanischen System zeigt, dass es dem europäischen in nahezu allen Punkten gleicht.