Innovate Manufacturing
Die Maschine denkt künftig mit - Wie Künstliche Intelligenz die Produktion revolutioniert
Die industrielle Fertigung erlebt einen epochalen Wandel. Künstliche Intelligenz (KI) hält Einzug in Werkzeugmaschinen und verändert nicht nur die Produktion, sondern auch die Wartung von Maschinen. KI wird zur Schaltzentrale effizienter, nachhaltiger und wettbewerbsfähiger Fertigung. In Zeiten von Fachkräftemangel und internationalem Konkurrenzdruck ist sie weit mehr als nur ein technologisches Gimmick: Sie wird zur Überlebensstrategie. Wie Künstliche Intelligenz die industrielle Produktion revolutioniert, wird auch auf der EMO Hannover 2025, der Weltleitmesse für Produktionstechnologie, vom 22. bis 26. September zu sehen sein.
KI in Werkzeugmaschinen bedeutet weit mehr als reine Automatisierung. Sie ermöglicht Maschinen, aus Daten zu lernen, Entscheidungen zu treffen und Prozesse zu optimieren. Dabei kommen Sensorik, Datenanalyse, maschinelles Lernen und intelligente Assistenzsysteme zum Einsatz – auf Steuerungsebene ebenso wie in der Interaktion mit dem Menschen.
Individuelle KI-Potenziale heben
Für produzierende Unternehmen gibt es viele Einsatzmöglichkeiten: „Typische Beispiele sind die Prognose von Prozesseigenschaften im Echtzeitbetrieb zur Inline-Qualitätskontrolle und das Überwachen von Prozessen und deren Eigenschaften“, sagt Prof. Philipp Klimant, Geschäftsfeldleiter Prozessdigitalisierung und Fertigungsautomatisierung am Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik (IWU) in Chemnitz. „Der Vorteil gegenüber klassischen Ansätzen ist hierbei die Möglichkeit, besonders viele Parameter in die Überwachung mit einzubeziehen“, hebt Klimant hervor. Es gebe aber auch zahlreiche weitere Anwendungsfelder, etwa KI-Assistenzmodelle für Schulungen und Künstliche Intelligenz zur Unterstützung bei Wartungen. Das Fraunhofer IWU, das sich auf die produktionstechnische Anpassung von klassischen und modernen Verfahren des Maschinellen Lernens spezialisiert hat, wird von dem Trio Martin Dix, Welf-Guntram Drossel und Steffen Ihlenfeldt geleitet. Alle drei sind Mitglieder der WGP (Wissenschaftliche Gesellschaft für Produktionstechnik), einem Zusammenschluss führender deutscher Professorinnen und Professoren der Produktionswissenschaften. Die WGP hat seit Januar die ursprünglich vom BMBF geförderte Initiative ProKI unter ihrem Dach verstetigt und bietet seither ganz praktische Expertise und Demonstratoren insbesondere für kleinere und mittelständische Unternehmen an, die sich über ihre individuellen KI-Potenziale informieren wollen und/oder Unterstützung suchen,
Großer Hebel für Effizienzgewinne
Ganz zu Beginn, so der Tipp des IWU-Forschers, sollte man sich fragen: Wie hoch sind eigentlich die Effizienzgewinne, die durch KI in meiner Produktion möglich sind? „Die Frage nach möglichen Effizienzgewinnen lässt sich nicht ohne Weiteres allgemeingültig beantworten “, sagt Klimant. Das Potenzial sei stark vom eigentlichen Prozess und den damit einhergehenden Optimierungsmöglichkeiten abhängig. „Im Bereich der Kunststoffverarbeitung, denken Sie an Spritzguss, können in seltenen Fällen durchaus Ausschussquoten von 20 bis 30 Prozent vorkommen.“ Hier sei ein großer Hebel für Effizienzgewinne mit KI. Bei Prozessen, die bereits stabil laufen, kann sie ebenfalls nützlich sein, beispielsweise für vorausschauende Wartung und um längere Werkzeugstandzeiten zu erzielen.
Laut Klimant kann Künstliche Intelligenz auch einen wichtigen Beitrag leisten, um dem Fachkräftemangel zu begegnen. „Wir speichern Wissen implizit in der KI. Dieses Wissen kann zum Anlernen von neuen Mitarbeitenden genutzt werden, gerade dann, wenn ältere Kolleginnen und Kollegen in Ruhestand gehen und damit wichtiges Wissen das Unternehmen verlässt“, erklärt der Wissenschaftler, der seit 2023 auch als Professor für Virtuelle Technologien an der Hochschule Mittweida in Sachsen tätig ist. „Dieser KI-Wissensspeicher bietet darüber hinaus auch neue Chancen zur Automatisierung, nicht zuletzt für automatisierte Qualitätskontrollen“, so Klimant.
Künstliche Intelligenz definiert der Forscher dabei so: „Wenn wir über KI sprechen, meinen wir in der Regel das Maschinelle Lernen als Untergruppe der KI. Dieses ist in der Lage, selbstständig aus Trainingsdaten zu lernen. Dabei geht es um ein empirisches Verfahren, das Zusammenhänge lernt, ohne dass wir die analytischen Zusammenhänge kennen. Einfach gesagt, wir lernen aus Erfahrung.“ Durch KI werden in der Produktion die Prozessparameter optimiert und durch ein automatisiertes Regelungssystem in die Prozesssteuerung zurückgeführt. „Künstliche Intelligenz ist wie eine Blackbox, es gehen Eingangswerte rein und Prognosen kommen raus“, sagt Klimant. „Als Beispiel kann hier ein Umformprozess genannt werden, bei dem wir ein akustisches Signal messen, und die KI sagt uns, ob der Prozess erfolgreich war oder nicht.“ Am Ende sei es ein digitales System, das sich über vorhandene Schnittstellen an Steuerungen anbinden ließe. Dadurch könne KI Regelalgorithmen an verschiedenen Stellen beeinflussen.
Hohe Rechenleistung zur Bildverarbeitung
Damit Künstliche Intelligenz in der Produktion erfolgreich eingesetzt werden kann, ist mitunter Hardware mit sehr hoher Rechenleistung nötig. „Zunächst gilt es, zwischen der Trainings- und der Nutzungsphase (Inferenz) zu unterscheiden. Die Trainingsphase ist immer rechenintensiver, wird jedoch offline durchgeführt. Bei der Nutzungsphase reichen für klassische Verfahren wie die Support Vector Machine oft Edge Devices aus“, sagt Klimant. Anders verhalte es sich beim Thema Bildverarbeitung. Diese KI-Modelle benötigten mehr Rechenleistung, sowohl in der Trainings- als auch in der Nutzungsphase. „Der Anwendungstakt spielt hierbei ebenfalls eine entscheidende Rolle“, erklärt der Forscher. „Benötige ich beispielsweise alle fünf Sekunden ein Ergebnis, werde ich mehr Rechenleistung brauchen im Vergleich zu einer Taktzeit von 30 Sekunden.“ Ausgenommen sei hierbei die Auswertung von Sprachmodellen. Diese benötigten rechenstarke Hardware, angefangen bei leistungsstarken Consumer-Grafikkarten bis hin zu speziellen KI-Karten.
Selbstlernende Werkzeugmaschine ermöglicht autonome Fertigung
Mit Künstlicher Intelligenz wird die selbstlernende Werkzeugmaschine möglich. Der Fräsmaschinenbauer und EMO-Aussteller Datron AG aus Ober-Ramstadt bei Darmstadt setzt auf diese Innovation, bei der die Maschine auf erlerntes Wissen zurückgreift und den Produktionsprozess anpasst. Die Datron-Fräsmaschine soll sich so zur lernfähigen Fertigungszelle entwickeln, die sich automatisch an Bauteilanforderungen und Umgebungsbedingungen anpasst. „Damit senken wir nicht nur Rüst- und Bearbeitungszeiten, sondern steigern auch die Prozessstabilität – ein entscheidender Schritt in Richtung autonomer Fertigung“, sagt Jonas Gillmann, Vorstand Technik (CTO) des börsennotierten Maschinenbauers.
KI verschiebt so den Fokus weg von starrer Programmierung hin zu assistierter, lernender und adaptiver Fertigung. „Maschinen werden zu Partnern im Fertigungsprozess, die sich dem Menschen anpassen – nicht umgekehrt. Im Maschinenbau ist das keine Vision mehr, sondern wird zunehmend zur gelebten Praxis“, sagt Gillmann. KI in der Produktion lockt seinen Worten zufolge mit hohen Effizienzgewinnen: „Durch sie lassen sich in der CNC-Produktion mit Datron-Maschinen Rüstzeiten um bis zu 60 Prozent senken, Ausschuss deutlich reduzieren und Werkzeugstandzeiten verlängern – bei gleichzeitig höherer Prozesssicherheit.“
Intuitiv durch den Fräsprozess
Ein besonders spannender Fortschritt sei die Verknüpfung mit der Datron next-Steuerung, sagt Gillmann. Sie führe auch unerfahrene Bediener intuitiv durch den Fräsprozess und erkenne Werkstücke automatisch. „So können auch nicht spezialisierte Mitarbeitende produktiv fräsen – ein klarer Vorteil angesichts des Fachkräftemangels“, so der Datron-Technikvorstand, der seine Karriere bei dem hessischen Fräsmaschinenhersteller einst als Industrie-Mechatroniker begonnen hat. Zusätzlich, so Gillmann, erlaube KI künftig eine vorausschauende Wartung, um Ausfälle zu verhindern, bevor sie entstünden. „So wird der Fräsprozess effizienter, robuster und personell deutlich flexibler umsetzbar.”
Künstliche Intelligenz in Werkzeugmaschinen kann nicht zuletzt dabei helfen, die steigende Nachfrage nach kundenspezifischen Produkten mit kleinen Losgrößen zu bedienen. „KI macht die Fertigung kleiner Losgrößen wirtschaftlich: Mit der Datron next-Steuerung werden Werkstücke automatisch erkannt – ohne aufwändige Programmierung“, sagt Gillmann. „So entfallen lange Rüstzeiten, und auch Einzelteile können schnell, effizient und in hoher Qualität gefertigt werden – ideal für kundenindividuelle Produkte.“
Weniger programmieren, mehr Prozessverantwortung
Mit der selbstlernenden Werkzeugmaschine wandelt sich auch das Berufsbild des Anwenders: „Weniger programmieren, mehr Prozessverantwortung“, bringt es der Datron-CTO auf den Punkt. Mitarbeitende würden zu Prozessgestaltern, die Qualität sicherten und Abläufe optimierten. „So sinkt die Einstiegshürde, und Know-how wird durch smarte Assistenz ergänzt – nicht ersetzt.”
(Umfang: 9.142 Zeichen, inklusive Leerzeichen)
Autor: Daniel Schauber, Fachjournalist, Mannheim
Die industrielle Fertigung erlebt einen epochalen Wandel. Künstliche Intelligenz (KI) hält Einzug in Werkzeugmaschinen und verändert nicht nur die Produktion, sondern auch die Wartung von Maschinen. KI wird zur Schaltzentrale effizienter, nachhaltiger und wettbewerbsfähiger Fertigung. In Zeiten von Fachkräftemangel und internationalem Konkurrenzdruck ist sie weit mehr als nur ein technologisches Gimmick: Sie wird zur Überlebensstrategie. Wie Künstliche Intelligenz die industrielle Produktion revolutioniert, wird auch auf der EMO Hannover 2025, der Weltleitmesse für Produktionstechnologie, vom 22. bis 26. September zu sehen sein.
KI in Werkzeugmaschinen bedeutet weit mehr als reine Automatisierung. Sie ermöglicht Maschinen, aus Daten zu lernen, Entscheidungen zu treffen und Prozesse zu optimieren. Dabei kommen Sensorik, Datenanalyse, maschinelles Lernen und intelligente Assistenzsysteme zum Einsatz – auf Steuerungsebene ebenso wie in der Interaktion mit dem Menschen.
Individuelle KI-Potenziale heben
Für produzierende Unternehmen gibt es viele Einsatzmöglichkeiten: „Typische Beispiele sind die Prognose von Prozesseigenschaften im Echtzeitbetrieb zur Inline-Qualitätskontrolle und das Überwachen von Prozessen und deren Eigenschaften“, sagt Prof. Philipp Klimant, Geschäftsfeldleiter Prozessdigitalisierung und Fertigungsautomatisierung am Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik (IWU) in Chemnitz. „Der Vorteil gegenüber klassischen Ansätzen ist hierbei die Möglichkeit, besonders viele Parameter in die Überwachung mit einzubeziehen“, hebt Klimant hervor. Es gebe aber auch zahlreiche weitere Anwendungsfelder, etwa KI-Assistenzmodelle für Schulungen und Künstliche Intelligenz zur Unterstützung bei Wartungen. Das Fraunhofer IWU, das sich auf die produktionstechnische Anpassung von klassischen und modernen Verfahren des Maschinellen Lernens spezialisiert hat, wird von dem Trio Martin Dix, Welf-Guntram Drossel und Steffen Ihlenfeldt geleitet. Alle drei sind Mitglieder der WGP (Wissenschaftliche Gesellschaft für Produktionstechnik), einem Zusammenschluss führender deutscher Professorinnen und Professoren der Produktionswissenschaften. Die WGP hat seit Januar die ursprünglich vom BMBF geförderte Initiative ProKI unter ihrem Dach verstetigt und bietet seither ganz praktische Expertise und Demonstratoren insbesondere für kleinere und mittelständische Unternehmen an, die sich über ihre individuellen KI-Potenziale informieren wollen und/oder Unterstützung suchen,
Großer Hebel für Effizienzgewinne
Ganz zu Beginn, so der Tipp des IWU-Forschers, sollte man sich fragen: Wie hoch sind eigentlich die Effizienzgewinne, die durch KI in meiner Produktion möglich sind? „Die Frage nach möglichen Effizienzgewinnen lässt sich nicht ohne Weiteres allgemeingültig beantworten “, sagt Klimant. Das Potenzial sei stark vom eigentlichen Prozess und den damit einhergehenden Optimierungsmöglichkeiten abhängig. „Im Bereich der Kunststoffverarbeitung, denken Sie an Spritzguss, können in seltenen Fällen durchaus Ausschussquoten von 20 bis 30 Prozent vorkommen.“ Hier sei ein großer Hebel für Effizienzgewinne mit KI. Bei Prozessen, die bereits stabil laufen, kann sie ebenfalls nützlich sein, beispielsweise für vorausschauende Wartung und um längere Werkzeugstandzeiten zu erzielen.
Laut Klimant kann Künstliche Intelligenz auch einen wichtigen Beitrag leisten, um dem Fachkräftemangel zu begegnen. „Wir speichern Wissen implizit in der KI. Dieses Wissen kann zum Anlernen von neuen Mitarbeitenden genutzt werden, gerade dann, wenn ältere Kolleginnen und Kollegen in Ruhestand gehen und damit wichtiges Wissen das Unternehmen verlässt“, erklärt der Wissenschaftler, der seit 2023 auch als Professor für Virtuelle Technologien an der Hochschule Mittweida in Sachsen tätig ist. „Dieser KI-Wissensspeicher bietet darüber hinaus auch neue Chancen zur Automatisierung, nicht zuletzt für automatisierte Qualitätskontrollen“, so Klimant.
Künstliche Intelligenz definiert der Forscher dabei so: „Wenn wir über KI sprechen, meinen wir in der Regel das Maschinelle Lernen als Untergruppe der KI. Dieses ist in der Lage, selbstständig aus Trainingsdaten zu lernen. Dabei geht es um ein empirisches Verfahren, das Zusammenhänge lernt, ohne dass wir die analytischen Zusammenhänge kennen. Einfach gesagt, wir lernen aus Erfahrung.“ Durch KI werden in der Produktion die Prozessparameter optimiert und durch ein automatisiertes Regelungssystem in die Prozesssteuerung zurückgeführt. „Künstliche Intelligenz ist wie eine Blackbox, es gehen Eingangswerte rein und Prognosen kommen raus“, sagt Klimant. „Als Beispiel kann hier ein Umformprozess genannt werden, bei dem wir ein akustisches Signal messen, und die KI sagt uns, ob der Prozess erfolgreich war oder nicht.“ Am Ende sei es ein digitales System, das sich über vorhandene Schnittstellen an Steuerungen anbinden ließe. Dadurch könne KI Regelalgorithmen an verschiedenen Stellen beeinflussen.
Hohe Rechenleistung zur Bildverarbeitung
Damit Künstliche Intelligenz in der Produktion erfolgreich eingesetzt werden kann, ist mitunter Hardware mit sehr hoher Rechenleistung nötig. „Zunächst gilt es, zwischen der Trainings- und der Nutzungsphase (Inferenz) zu unterscheiden. Die Trainingsphase ist immer rechenintensiver, wird jedoch offline durchgeführt. Bei der Nutzungsphase reichen für klassische Verfahren wie die Support Vector Machine oft Edge Devices aus“, sagt Klimant. Anders verhalte es sich beim Thema Bildverarbeitung. Diese KI-Modelle benötigten mehr Rechenleistung, sowohl in der Trainings- als auch in der Nutzungsphase. „Der Anwendungstakt spielt hierbei ebenfalls eine entscheidende Rolle“, erklärt der Forscher. „Benötige ich beispielsweise alle fünf Sekunden ein Ergebnis, werde ich mehr Rechenleistung brauchen im Vergleich zu einer Taktzeit von 30 Sekunden.“ Ausgenommen sei hierbei die Auswertung von Sprachmodellen. Diese benötigten rechenstarke Hardware, angefangen bei leistungsstarken Consumer-Grafikkarten bis hin zu speziellen KI-Karten.
Selbstlernende Werkzeugmaschine ermöglicht autonome Fertigung
Mit Künstlicher Intelligenz wird die selbstlernende Werkzeugmaschine möglich. Der Fräsmaschinenbauer und EMO-Aussteller Datron AG aus Ober-Ramstadt bei Darmstadt setzt auf diese Innovation, bei der die Maschine auf erlerntes Wissen zurückgreift und den Produktionsprozess anpasst. Die Datron-Fräsmaschine soll sich so zur lernfähigen Fertigungszelle entwickeln, die sich automatisch an Bauteilanforderungen und Umgebungsbedingungen anpasst. „Damit senken wir nicht nur Rüst- und Bearbeitungszeiten, sondern steigern auch die Prozessstabilität – ein entscheidender Schritt in Richtung autonomer Fertigung“, sagt Jonas Gillmann, Vorstand Technik (CTO) des börsennotierten Maschinenbauers.
KI verschiebt so den Fokus weg von starrer Programmierung hin zu assistierter, lernender und adaptiver Fertigung. „Maschinen werden zu Partnern im Fertigungsprozess, die sich dem Menschen anpassen – nicht umgekehrt. Im Maschinenbau ist das keine Vision mehr, sondern wird zunehmend zur gelebten Praxis“, sagt Gillmann. KI in der Produktion lockt seinen Worten zufolge mit hohen Effizienzgewinnen: „Durch sie lassen sich in der CNC-Produktion mit Datron-Maschinen Rüstzeiten um bis zu 60 Prozent senken, Ausschuss deutlich reduzieren und Werkzeugstandzeiten verlängern – bei gleichzeitig höherer Prozesssicherheit.“
Intuitiv durch den Fräsprozess
Ein besonders spannender Fortschritt sei die Verknüpfung mit der Datron next-Steuerung, sagt Gillmann. Sie führe auch unerfahrene Bediener intuitiv durch den Fräsprozess und erkenne Werkstücke automatisch. „So können auch nicht spezialisierte Mitarbeitende produktiv fräsen – ein klarer Vorteil angesichts des Fachkräftemangels“, so der Datron-Technikvorstand, der seine Karriere bei dem hessischen Fräsmaschinenhersteller einst als Industrie-Mechatroniker begonnen hat. Zusätzlich, so Gillmann, erlaube KI künftig eine vorausschauende Wartung, um Ausfälle zu verhindern, bevor sie entstünden. „So wird der Fräsprozess effizienter, robuster und personell deutlich flexibler umsetzbar.”
Künstliche Intelligenz in Werkzeugmaschinen kann nicht zuletzt dabei helfen, die steigende Nachfrage nach kundenspezifischen Produkten mit kleinen Losgrößen zu bedienen. „KI macht die Fertigung kleiner Losgrößen wirtschaftlich: Mit der Datron next-Steuerung werden Werkstücke automatisch erkannt – ohne aufwändige Programmierung“, sagt Gillmann. „So entfallen lange Rüstzeiten, und auch Einzelteile können schnell, effizient und in hoher Qualität gefertigt werden – ideal für kundenindividuelle Produkte.“
Weniger programmieren, mehr Prozessverantwortung
Mit der selbstlernenden Werkzeugmaschine wandelt sich auch das Berufsbild des Anwenders: „Weniger programmieren, mehr Prozessverantwortung“, bringt es der Datron-CTO auf den Punkt. Mitarbeitende würden zu Prozessgestaltern, die Qualität sicherten und Abläufe optimierten. „So sinkt die Einstiegshürde, und Know-how wird durch smarte Assistenz ergänzt – nicht ersetzt.”
(Umfang: 9.142 Zeichen, inklusive Leerzeichen)
Autor: Daniel Schauber, Fachjournalist, Mannheim