Noch befindet sich AIPCell in der Entwicklungs- und Erprobungsphase. | © AIT/Michael Denk
Künstliche Intelligenz soll künftig auch in kleineren Industriebetrieben ohne umfangreiche eigene IT-Infrastruktur eingesetzt werden können. Dafür entwickelt das AIT Austrian Institute of Technology gemeinsam mit Forschungspartnern die Plattform AIPCell. Sie soll Produktionsdaten direkt an Maschinen auswerten, Qualitätsabweichungen frühzeitig erkennen und die vorausschauende Wartung von Anlagen unterstützen.
Koordiniert wird das Forschungsprojekt vom LKR Leichtmetallkompetenzzentrum Ranshofen des AIT. Im Mittelpunkt steht eine modulare KI-Infrastruktur, die Datenerfassung, Datenaufbereitung und maschinelles Lernen mit der Echtzeitverarbeitung an Produktionsanlagen verbindet. Erprobt wird die Technologie in drei industriellen Anwendungsfeldern: Magnesium-Stranggießen, Tiefziehen und Leiterplattenbestückung.
Damit adressiert das Projekt eine wesentliche Hürde bei der Digitalisierung industrieller Prozesse. Während moderne Maschinen große Mengen an Sensor- und Betriebsdaten erzeugen, fehlen insbesondere kleinen und mittleren Unternehmen (KMU) häufig die technischen Ressourcen und das Fachwissen, um diese systematisch für KI-Anwendungen zu nutzen.
KI verarbeitet Daten direkt an der Maschine
Ein zentraler Bestandteil von AIPCell ist die sogenannte Edge-KI. Dabei werden Daten nicht ausschließlich in einer zentralen Cloud verarbeitet, sondern unmittelbar an oder in der Nähe der Produktionsanlage ausgewertet.
Das ermöglicht kurze Reaktionszeiten und reduziert die Notwendigkeit, große Datenmengen an externe Systeme zu übertragen. Gerade bei hochfrequenten Messdaten aus Akustik, Schwingungssensoren oder Bildverarbeitung kann dies für die Überwachung laufender Produktionsprozesse entscheidend sein.
„Mit AIPCell bringen wir KI direkt dorthin, wo Wertschöpfung entsteht – an die Maschine“, erklärt Michael Denk, Forscher am LKR Leichtmetallkompetenzzentrum Ranshofen.
Die Plattform soll unter anderem erkennen, wenn sich Prozessparameter ungewöhnlich verändern oder Qualitätsabweichungen entstehen. Langfristig könnten Unternehmen dadurch Fehler früher identifizieren, Ausschuss reduzieren und Wartungsmaßnahmen gezielter planen.
Bestehende KI-Modelle mehrfach nutzen
Neben der Echtzeitverarbeitung konzentriert sich das Forschungsprojekt auf die Vereinfachung der KI-Entwicklung. Geplant ist eine durchgängige Machine-Learning-Umgebung, die Produktionsdaten erfasst, aufbereitet und analysiert sowie das Training und die Bereitstellung von KI-Modellen unterstützt.
Ein weiterer Schwerpunkt ist das sogenannte Cross-Domain Learning. Dabei sollen bereits trainierte Modelle auf andere Maschinen, Prozesse oder Anwendungsbereiche übertragen werden können. Ziel ist es, den Bedarf an neuen Trainingsdaten und den Entwicklungsaufwand zu reduzieren.
Dafür untersucht das Forschungsteam unterschiedliche KI-Verfahren. Neben klassischen Methoden zur Auswahl relevanter Datenmerkmale kommen neuronale Netze zum Einsatz, darunter Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs).
Auch die Anforderungen bestehender industrieller IT- und Betriebstechnologiesysteme sowie regulatorische Vorgaben wie der EU AI Act werden bei der Entwicklung berücksichtigt.
Drei Produktionsprozesse als Testumgebung
Ob sich die Plattform auf unterschiedliche industrielle Anforderungen übertragen lässt, wird anhand von drei Demonstratoren untersucht.
Beim Magnesium-Stranggießen und Tiefziehen greift das AIT auf die Forschungsinfrastruktur und die Werkstoffkompetenz des LKR zurück. Als drittes Anwendungsfeld dient die Leiterplattenbestückung. Die Auswahl soll zeigen, ob sich gemeinsame Daten- und KI-Architekturen in unterschiedlichen Fertigungsprozessen einsetzen lassen.
„Hochfrequente Sensorik und die Verarbeitung direkt am Produktionsprozess machen Auffälligkeiten unmittelbar sichtbar und ermöglichen intelligente Entscheidungen in Echtzeit“, sagt Denk.
Die entwickelten Lösungen sollen nicht auf die drei Demonstratoren beschränkt bleiben. Langfristig ist vorgesehen, die Dateninfrastruktur, Erfassungssysteme und KI-Modelle auch für weitere Forschungs- und Industrieprojekte verfügbar zu machen.
Einstiegshürden für KMU senken
Für kleinere Produktionsunternehmen könnte insbesondere die Wiederverwendbarkeit der technischen Infrastruktur relevant werden. Statt für jeden Anwendungsfall neue Datensysteme und KI-Modelle aufbauen zu müssen, sollen bestehende Komponenten angepasst und erweitert werden können.
Noch befindet sich AIPCell in der Entwicklungs- und Erprobungsphase. Ob und in welchem Ausmaß die Plattform künftig Kosten, Ausschuss oder Ressourcenverbrauch im industriellen Regelbetrieb senken kann, muss sich daher erst in der praktischen Anwendung zeigen.
Das Projekt zielt darauf ab, den Einsatz industrieller KI von aufwendigen Einzellösungen hin zu einer flexibleren, modularen Infrastruktur weiterzuentwickeln. Damit könnten insbesondere KMU leichter Zugang zu datenbasierten Verfahren für Qualitätssicherung, Prozessüberwachung und vorbeugende Instandhaltung erhalten.