Einsatz von künstlicher Intelligenz zur Prozessoptimierung und Steigerung der Ressourceneffizienz in kleinen und mittleren Unternehmen

Ein wichtiger Treiber für Steigerung der Produktivität in verarbeitenden kleinen und mittleren Unternehmen (KMU) ist die Digitalisierung von Produktionsabläufen. Die damit verbundene Volumensteigerung von Daten bietet ein enormes Potenzial für die Analyse und Optimierung von Prozessen. Diese Daten aus einer Vielzahl von Geräten und Systemen erhöhen jedoch den Bedarf an intelligenten, dynamischen Analysemodellen. Allerdings verfügen KMU über einen geringen bis sehr geringen Digitalisierungsgrad. Das resultiert aus einer Kombination verschiedener Faktoren, wie knappe Finanz‐ und Personalressourcen für Forschungs‐ und Entwicklungsaktivitäten, fehlende Expertise im IT‐Bereich und geringe Bereitschaft zur Einführung neuartiger digitaler Technologien und künstlicher Intelligenz. Weiterhin sind die Produktionsprozesse verarbeitender KMU sehr individuell und teilweise hochspezialisiert, sodass sich bestehende KI‐Module nicht ohne erhöhten Anpassungsaufwand in die bestehende Produktionsstruktur adaptiert werden können. Im Rahmen dieses Promotionsvorhabens wurden zwei Machine Learning‐Verfahren für den praktischen Einsatz in einem verarbeitenden KMU entwickelt. Ziel war das Erkennen von Zusammenhängen zwischen Energieverbrauch und Ausschuss und den Maschineneinstellungen sowie das Auffinden optimaler Parametereinstellungen, um die Effizienz von Energie und steigern und die Abfallquote zu senken. Dabei lag der Fokus auf der Einfachheit der Lösung sowie der leichten Adaptierbarkeit auf sich ändernde Produktionsvorgänge. Ausgangspunkt war die Einrichtung einer einheitlichen Datenbasis für den Produktionsbereich des Unternehmens, um vollständige Maschinenprotokolle zu zentralisieren. Das erste umgesetzte Verfahren war der Random Forest‐Algorithmus, eine ML‐Methode für die Modellierung von Ensemble‐Entscheidungsbäumen. Als zweite ML‐Methode wurde ein künstliches neuronales Netz (KNN) entwickelt. Beide Verfahren wurde mit KI‐Erklärmodellen interpretiert, um die Ergebnisse nachzuvollziehen. Bei der Validierung der beiden Modelle zeigten sich größere Unterschiede in der Genauigkeit und der empfohlenen Parametereinstellungen. Dies lässt sich auf die unterschiedlichen Berechnungsmethoden der Algorithmen zurückführen. Es konnte jedoch gezeigt werden, dass auch mit weniger komplexen KI‐Verfahren, deren Auswahl auf einer eindeutigen Zieldefinition basieren, deutliche Produktivitätssteigerungen erreicht werden können. Durch ganzheitliche Digitalisierung und die dadurch zu verarbeitenden Daten mit Verfahren der KI können entscheidende Schritte für eine ressourceneffizientere Produktion vollbracht werden. Ein wichtiger Aspekt dabei ist dennoch, dass die dafür nötigen Informations‐ und Kommunikationstechnologie‐ Komponenten einen steigenden Rohstoffbedarf erzeugen und einen beträchtlichen Teil des Elektroschrotts verantworten. Diese kritischen Aspekte der Digitalisierung wurden daher ebenfalls im Rahmen der Promotion betrachtet. Mit dem Fokus auf Seltenerdmetallen wurden die Umweltauswirkungen von der Gewinnung bis zur Entsorgung untersucht und ein Rückschluss auf den produktionsseitigen Rebound‐Effekt gezogen.