• News

    4 Nov, 2021

KI-Technologien in technischen Anlagen

Wie KI-Technologien und darauf abgestimmte Geschäftsmodelle für technische Anlagen eingesetzt werden können, führt Ihnen unser „Digital-Konkret-Projekt“ bei der OLBRICH GmbH | Polytype Converting® vor.


Ausgangslage und Kernfragestellung:

Welche zusätzlichen Potentiale sind für Industrieunternehmen durch die Einführung von Technologien der künstlichen Intelligenz (KI) in komplexe Maschinen und Anlagen möglich? Welche konkreten Technologien verbergen sich überhaupt hinter diesem inzwischen sehr populären KI-Begriff und wie können damit verbundene Geschäftsmodelle aussehen? Worauf sollte bei einer Einführung von KI im Unternehmen besonders geachtet werden und an welchen Stellen werden zusätzliche Kompetenzen benötigt? Mit diesen Fragestellungen hat sich die OLBRICH GmbH | Polytype Converting® an das Mittelstand 4.0-Kompetenzzentrum Hamburg gewendet. In insgesamt  vier aufeinander aufbauenden Workshops wurden mögliche Antworten auf diese Fragestellungen gegeben, von denen wir im Folgenden berichten möchten.


Kurzes Unternehmensportrait:

Die OLBRICH GmbH | Polytype Converting® ist Teil der OLBRICH Gruppe, welche seit über 50 Jahren im internationalen Umfeld innovative, technische Lösungen für das verarbeitende Gewerbe entwickelt. Der Schwerpunkt des Unternehmens liegt im Engineering hochpräziser, kundenindividueller Maschinen und Anlagen, welche zur Beschichtung und Trocknung verschiedener Materialien, von Folien, Papier oder Aluminium bei einem Kunden eingesetzt werden sollen. Die OLBRICH GmbH | Polytype Converting® erlebt im Austausch mit dem Kunden zunehmend häufiger, dass Fragen zu Einsatzmöglichkeiten von Technologien der künstlichen Intelligenz aufkommen. Gerade komplexe Automatisierungssysteme, die an Schnittstellen große Mengen an Daten verarbeiten und bereitstellen, scheinen prädestiniert für den Einsatz von KI. Genau aus diesem Grund hat das Unternehmen entschieden, sich dem Thema anzunehmen, um zukünftig bei Fragen zu KI-Einsatzmöglichkeiten Rede und Antwort stehen zu können.

Bild Bericht Polytype

Abbildung 1: Phasen der Entstehung von Produktionsanlagen bei der OLBRICH GmbH | Polytype Converting®


Workshop 0 – Anforderungen des Unternehmens und Struktur unseres Vorgehens:

Um das mögliche Informationsangebot des Mittelstand 4.0 Kompetenzzentrum Hamburg auf die tatsächlichen Bedarfe der OLBRICH GmbH | Polytype Converting® zuzuschneiden, wurden in einem ersten Austausch, noch vor Beginn der eigentlichen Workshopreihe, die verschiedenen Produktionsanlagen durch das Unternehmen präsentiert. Durch diesen ersten Eindruck war es möglich, sowohl den technologischen Reifegrad der OLBRICH GmbH | Polytype Converting® einzuschätzen als auch generelle Voraussetzungen zur Einführung von KI-Technologien zu überprüfen. Es wurde entschieden, die Workshopreihe in ihrer inhaltlichen Ausrichtung dynamisch zu gestalten, das heißt die Inhalte eines geplanten Workshops von den Erkenntnissen des vorherigen abhängig zu machen. Die allgemeine Struktur sollte darin bestehen, dass im ersten Workshop ein möglichst umfangreicher Überblick über verschiedene KI-Technologien gegeben werden sollte. Im Anschluss sollte darüber entschieden werden, welche Technologie für einen Einsatz besonders attraktiv scheint. Auf Basis von diesem ausgewählten Use Case sollten in einem zweiten Workshop verschiedene Geschäftsmodelle mit dem Unternehmen gemeinsam erarbeitet werden. Je nachdem, ob ein mögliches Geschäftsmodell zur Nutzung und Verwertung der KI-Technologie gefunden werden würde, sollte daraufhin in einem letzten Workshop dargelegt werden, wie eine tatsächliche Einführung der Technologie methodisch und auch inhaltlich entsprechend aussehen könnte.


Workshop 1 – KI-Technologien:

Ziel dieses Workshops war es, die OLBRICH GmbH | Polytype Converting® für die Einsatzmöglichkeiten und Potentiale von künstlicher Intelligenz in Produktionsanlagen zu sensibilisieren.

Zunächst wurde die Definition und Funktionsweise von KI sowie deren Anwendungsmöglichkeiten in Produktionsanlagen vorgestellt, diverse Datenquellen /-arten sowie Anwendungsbeispiele aus der Forschung aufgezeigt. Des Weiteren wurde die OLBRICH GmbH | Polytype Converting® über die Potenziale und Herausforderungen, die mit dem Einsatz von KI in Produktionsanlagen einhergehen, informiert.

Im zweiten Teil des Workshops wurde die Bedeutung der Planung für die erfolgreiche Umsetzung von KI-Anwendungen dargestellt und das Ziel der Workshop-Reihe anhand des Systems-Engineering-Ansatzes skizziert. Anschließend wurde ein Ansatz zur Use-Case-Identifikation von KI in technischen Systemen vorgestellt. Drei Bewertungskriterien (Daten & Infrastruktur, Business Case & Akzeptanz und Kompetenzen & Methodik) und deren Ausprägungen wurden intensiv erläutert. Anhand von Beispielen aktueller KI-Anwendungen in technischen Anlagen wurde mit der OLBRICH GmbH | Polytype Converting® darüber diskutiert, wo ein geeigneter KI-Einstiegspunkt für das Unternehmen liegen könnte.

Anschließend an die Diskussion der unterschiedlichen Anwendungsmöglichkeiten stellte sich der Einsatz von Predictive Maintenance als geeigneter Use Case heraus. Der Fokus lag dabei zunächst auf einzelnen Komponenten einer Produktionsanlage. Darüber hinaus wurde die aktuelle Situation in Bezug auf die Umsetzung dieses Use Cases analysiert und weitere Voraussetzungen aufgezeigt, die für die Umsetzung geschaffen werden müssten. Hierzu zählen zum Beispiel welche Daten gesammelt und welche Sensoren ggf. noch installiert werden müssen und ob Daten überhaupt gespeichert werden können.


Workshop 2 – Erweiterung des Geschäftsmodells:

Im zweiten Workshop wurde das bisherige Geschäftsmodell analysiert und auf potenzielle Erweiterungen hin geprüft.  Als Erwartungshaltung und Ziel wurde im Vorfeld definiert:

  • Skizzierung eines möglichen Geschäftsmodells
  • Erste Prüfung und Bewertung verschiedener Ansätze

Klar war, dass das bisherige Geschäftsmodell erweitert und keinesfalls abgelöst werden sollte. In methodischer Hinsicht wurde das Business Model Canvas (BMC) (Osterwalder[1]) als Basis ausgewählt und um die Berücksichtigung technologischer Entwicklungen erweitert. Dieses Modell wurde in einem ersten Schritt mit der Beschreibung des aktuellen Geschäftsmodells gefüllt, anschließend in Hinblick auf erforderliche und mögliche Änderungen bei dem Thema Predictive Maintenance erweitert. Dies war auch in einer Videokonferenz problemlos möglich, alle Beteiligten konnten dem Moderator einzelne Punkte nennen, die dann direkt auf dem Formular eingetragen wurden, was wiederum direkt für alle Teilnehmenden sichtbar war.

Folgende Einzelaspekte wurden bei der Analyse der Erweiterungen geprüft:

  • Wie verändert sich das „Wertversprechen“ gegenüber den Kunden? Kann es kundenspezifisch „modulare“ Erweiterungen eines Standard-Produkt-Kerns geben?
  • Verändert sich dadurch die Hersteller-Kunden-Beziehung grundlegend oder kommen „nur“ neue Produkte dazu?
  • Welche neuen Prozesse müssen von wem etabliert werden? Zu welchen Kosten ist dies auf welche Weise möglich?
  • Können mittelfristig neue Kundensegmente erreicht werden?
  • Werden neue Einnahmemöglichkeiten erschlossen? Oder werden primär Kundenbeziehungen stabilisiert?

Bei der Entwicklung von Optionen für die Erweiterung des Geschäftsmodells stellte sich als Schwerpunkt des Wertversprechens eine weitere Verbesserung der Betriebssicherheit der Maschinen und Anlagen bei den Kunden heraus:

  • Erhöhung der Verfügbarkeit der Maschinen und Anlagen
  • Reduzierung der Lagerhaltung an eigenen Ersatzteilen bei den Kunden
  • Bessere Planbarkeit von Servicetätigkeiten
  • Lieferzeitenverkürzung für Ersatzteile durch rechtzeitigen Beginn der Fertigung (“proaktiver Service”) bzw. der Logistikaktivitäten (inkl. Zoll)

Dies erfordert auf Seiten der Ressourcen, dass neue Partner in die Prozesse des Geschäftsmodells integriert werden. Einerseits verstärkt sich die Rolle des Kunden als Partner im Co-Development, andererseits müssen weitere Leistungen in der Entwicklung, bei der Inbetriebnahme (auch bei Systemtests!) und in der Analyse des Betriebs durch externe IT-Dienstleister erbracht werden. Geklärt werden muss auch, „wem die Daten gehören“. Die Idee des KI-Einsatzes für Predictive Maintenance basiert auf der Verfügbarkeit möglichst vieler Daten. Dabei müssen die Kunden nicht bekannt sein, die Schlussfolgerungen über die Wartungsanforderungen können auch aus „anonymisierten“ Daten gezogen werden. Erhebung, Speicherung und Verarbeitung von Betriebsdaten werden zu essenziellen Ressourcen.

In der Folge müssen auch die Dispositionsprozesse für die Wartungsarbeiten und die Teileversorgung geändert werden. Im Gegenzug können ggf. die Kosten für Ersatzteillogistik reduziert werden.

Auf der Einnahmeseite scheinen Vorteile im Neugeschäft, vor allem aber im Kontext des gesamten Lifecycles möglich: Im After-Sales-Geschäft können Serviceverträge (als „Ersatzteilabo“ etc.) anders gestaltet werden, wodurch eine Chance auf regelmäßigere und kalkulierbarere Einnahmen realistisch ist.

Dabei verändert sich die Kundenbeziehung insofern, wie Kunden (1) Daten liefern müssen und mit der Bereitstellung ihrer Daten auch (2) Teil einer „Community“ werden. Damit ändern sich nicht nur technisch die Kommunikationskanäle zu den Kunden, sondern auch deren Relevanz verschiebt sich.

Das dargestellte erweiterte Geschäftsmodell beeinflusst nicht das bisherige Geschäftsmodell, sondern ergänzt dieses.

Die Erweiterung des Geschäftsmodells muss pilotiert werden; eine sofortige Einführung auf „breiter Ebene“ ist nicht sinnvoll. Von den verschiedenen Möglichkeiten einer Pilotierungsstrategie – (1) schnellstmöglich bei geringem Risiko, (2) schnellstmöglich bei maximaler Erlöserwartung, (3) höchster Kundennutzen – erscheint die Möglichkeit (1) als die sinnvollste. Dabei ist die technische Realisierung mit einem externen Dienstleister sinnvoll und erscheint auf Grund fehlenden eigenen Know-Hows auch als die einzige realistische Möglichkeit einer schnellen Einführung.


Workshop 3 – Predictive Maintenance:

Neben der Wahl einer geeigneten KI-Technologie und einem damit verbundenen Geschäftsmodell ergibt sich die Fragestellung, wie eine Einführung methodisch strukturiert und für alle am Einführungsprozess beteiligten Stakeholder nachvollziehbar gestaltet werden kann. Um diese Fragestellung zu beantworten, wurde in diesem Workshop am Beispiel von Predictive Maintenance ein mehrstufiges Vorgehen zur Einführung von KI-Technologien durch das Mittelstand 4.0-Kompetenzzentrum Hamburg präsentiert. Gegenstand dieses Vorgehens sind unter anderem die Definition von Erfolgsmetriken, die Bestimmung von Ideal-Daten, die explorative Datenanalyse, die Erstellung und das Training eines entsprechenden KI-Modells, sowie die Bereitstellung und Überwachung der KI-Technologie. Im Rahmen der Vorstellung dieses Vorgehens wurden an verschiedenen Punkten Stellen identifiziert, an welchen zusätzliche externe Kompetenz mit eingebunden werden könnte, um die Rolle der OLBRICH GmbH | Polytype Converting® im Einführungsprozess zu betrachten. Zur Veranschaulichung des theoretischen Vorgehens, wurden Umsetzungsbeispiele in einem programmierten Quellcode gezeigt und entsprechende Zusammenhänge erläutert.


Sie haben Fragen zu diesem Workshop, oder zu anderen Digitalsierungs-Möglichkeiten? Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus!

(Literatur: [1] Vgl. https://www.strategyzer.com/canvas und http://alexosterwalder.com/)

 

Newsletter Anmeldung

Bitte JavaScript aktivieren, um das Formular zu senden

2021 © HANDELSKAMMER HAMBURG