Los Angeles, Nacht, eine sechsspurige Autobahn. Niemand sitzt am Steuer. Auf der Fahrbahn liegt ein Gegenstand – ein Reifen, vielleicht eine Kiste; bei dieser Geschwindigkeit ist das schwer zu erkennen. Das Fahrzeugsystem registriert das Hindernis, berechnet die Fahrtrajektorie, setzt den Blinker und weicht aus. Reaktionszeit: weniger als zehn Millisekunden. Das menschliche Auge hätte das Hindernis bei diesen Lichtverhältnissen wahrscheinlich nicht rechtzeitig erkannt.
Autonome Taxis in den USA haben bereits mehrere zehn Millionen Meilen ohne einen Menschen am Steuer zurückgelegt. LiDAR-Laserscanner, Radare und Kameras arbeiten parallel. Sie erstellen ein dreidimensionales Abbild der Umgebung, messen Entfernungen und erkennen Verkehrsschilder. Jeder dieser Sensoren erfasst etwas, das die anderen nicht erfassen. Zusammen erzeugen sie rund zehn Terabyte Daten pro Fahrstunde. Der Bordcomputer verarbeitet diese Daten lokal, ohne sie an einen Server zu übertragen und auf eine Antwort warten zu müssen.
Dieser Artikel beschäftigt sich mit Mechanismen, die genauso gut in einer Produktionshalle, einem Lager oder an einer Montagelinie funktionieren. Eine Autobahn voller variabler Faktoren – Fußgänger, andere Fahrzeuge, Baustellen, Regen und unvorhersehbares Verhalten anderer Verkehrsteilnehmer – ist eine anspruchsvollere Umgebung als die kontrollierten Bedingungen eines Industriebetriebs. Wenn ein Algorithmus damit zurechtkommt, sollte die Produktion für ihn eine leichtere Prüfung sein.
Eine Maschine sieht mehr als ein Mensch
Müdigkeit, Ablenkung, das Handy in der Hand, überhöhte Geschwindigkeit. Menschliches Fehlverhalten ist für 94 % der schweren Verkehrsunfälle verantwortlich. Ein Algorithmus kennt keine dieser Schwächen. Die Waymo-Flotte, eine Tochtergesellschaft von Alphabet, dem Mutterkonzern von Google, hat bereits mehr als 22 Millionen Meilen ohne Fahrer zurückgelegt. Im Vergleich zu Menschen, die auf denselben Straßen unterwegs waren, verzeichnete sie 73 % weniger Unfälle mit Verletzten und 84 % weniger schwere Ereignisse, bei denen Airbags ausgelöst wurden. Cruise, eine Tochtergesellschaft von General Motors, verzeichnete auf einer Strecke von einer Million Meilen 92 % weniger selbstverschuldete Kollisionen. Die Statistiken beider Flotten sprechen eine klare Sprache: Maschinen fahren sicherer.
In der Produktionshalle tritt dasselbe Problem in einem anderen Maßstab auf. Ein Mitarbeiter der Qualitätskontrolle in der Nachtschicht betrachtet das hundertste Bauteil und erkennt weniger als beim ersten. Die Augen ermüden, die Aufmerksamkeit lässt nach, die Hand greift beinahe automatisch zum nächsten Teil. Ein auf Deep Learning basierendes Bildverarbeitungssystem – also ein Programm, das anhand Tausender Trainingsbilder selbstständig lernt, Muster zu erkennen – analysiert Abmessungen, Form und Oberflächenbeschaffenheit jedes Bauteils innerhalb eines Sekundenbruchteils. Und zwar um drei Uhr nachts mit derselben Genauigkeit wie um acht Uhr morgens.
Bei spanenden Fertigungsverfahren – der Metallbearbeitung durch Fräsen, Drehen oder Bohren – hat der Einsatz der statistischen Prozesslenkung dazu beigetragen, die Ausschussquote auf 0,0 % zu senken. Dabei werden geometrische Abweichungen kontinuierlich gemessen und Prozessparameter automatisch korrigiert. Das Ergebnis: keine fehlerhaften Bauteile innerhalb der gesamten Serie. CenterLine ging noch einen Schritt weiter und führte einen digitalen Zwilling ein – eine virtuelle Nachbildung der Produktionslinie, an der Ingenieure Änderungen testen können, bevor auf der realen Fertigungsfläche etwas verändert wird. Die Ergebnisse: 90 % weniger Probleme bei der Nacharbeit an Systemen und eine um 75 % kürzere Programmierzeit für Anlagen.
Ein Auto lernt, der Rest weiß bereits Bescheid
Ein autonomes Taxi trifft nachts auf eine nicht gekennzeichnete Baustelle. Es erfasst die Situation, verarbeitet die Daten und führt ein Ausweichmanöver aus. Innerhalb weniger Sekunden weiß die gesamte Flotte, was sie an dieser Stelle erwartet. Kein Fahrer ruft um drei Uhr morgens einen Kollegen an, um ihn zu warnen. Der Algorithmus erledigt das automatisch.
Der Mechanismus funktioniert folgendermaßen: Die Sensordaten werden zunächst direkt im Fahrzeug analysiert. Diese Phase wird als Edge Computing bezeichnet, weil die Berechnungen am „Rand“ des Netzwerks stattfinden – dort, wo die Daten entstehen, und nicht in einem weit entfernten Rechenzentrum. Die gefilterten Informationen werden anschließend in die Cloud übertragen. Von dort gelangen sie als drahtlose Software-Updates zu den übrigen Fahrzeugen – nach demselben Prinzip, nach dem ein Smartphone eine neue App-Version herunterlädt. Die Fahrzeuge können außerdem über V2X (Vehicle-to-Everything) Daten miteinander austauschen. Gemeint ist die Kommunikation des Fahrzeugs mit allem, was sich in seiner Umgebung befindet: anderen Fahrzeugen, Ampeln und der Straßeninfrastruktur. Auf Teststrecken verbesserte eine solche Koordination den Verkehrsfluss um 35 %.
In der Produktionshalle trägt dasselbe Prinzip andere Namen, doch die Logik ist identisch. Das industrielle Internet der Dinge (IIoT) verbindet Maschinen, Sensoren und Steuerungen zu einem Netzwerk, in dem kontinuierlich Daten ausgetauscht werden. Schwingungssensoren an Lagern erfassen mikroskopisch kleine Veränderungen der Vibrationsamplitude. Temperatursensoren erkennen übermäßige Reibung. Stromsensoren überwachen plötzliche Anstiege der Motorlast. Künstliche Intelligenz analysiert diese Signale gemeinsam und vergleicht sie mit gespeicherten Verschleißmustern – ähnlich wie ein Arzt die Untersuchungsergebnisse eines Patienten mit Referenzwerten vergleicht.
Das Ergebnis hat einen Fachbegriff: Predictive Maintenance, also vorausschauende Instandhaltung. Das bedeutet, dass das System einen Ausfall prognostiziert, bevor er eintritt. Dort, wo diese Lösung eingeführt wurde, gingen ungeplante Maschinenstillstände um 30 bis 50 % zurück. BMW hat digitale Abbilder von mehr als dreißig seiner Werke erstellt und die Produktionsplanungszeit um fast ein Drittel verkürzt. Volkswagen simuliert in seinem Werk in Września Prozesse mithilfe eines virtuellen Zwillings, bevor sie auf der tatsächlichen Montagelinie in Betrieb genommen werden.
Jede Fahrt ist anders, der Prozess bleibt derselbe
Ein autonomes Taxi in Los Angeles begrüßt seinen Fahrgast auf Polnisch. Es spielt dessen persönliche Playlist ab. Es merkt sich die Sitzeinstellungen und die gewünschte Stärke der Klimaanlage. Beim nächsten Einsteigen muss nichts erneut eingestellt werden.
Ein massentauglicher Service und gleichzeitig ein Erlebnis, das auf eine einzelne Person zugeschnitten ist. Ohne zusätzliche Kosten, ohne zusätzlichen Zeitaufwand.
Die industrielle Fertigung steht vor derselben Herausforderung, allerdings aus der entgegengesetzten Perspektive. Ein Kunde bestellt eine Folientastatur mit einer individuellen Tastenanordnung, einer bestimmten Grafik, einer festgelegten Betätigungskraft und einer Beständigkeit gegenüber konkreten chemischen Substanzen. Der nächste Kunde benötigt etwas völlig anderes. Jedes Projekt ist einzigartig.
Die Fähigkeit, solche Aufträge in einem wiederholbaren, automatisierten Zyklus umzusetzen, unterscheidet einen Hersteller von einem reinen Montagebetrieb. Standardisiert werden muss der Prozess, nicht das Produkt. Eine Produktionslinie verarbeitet Hunderte unterschiedlicher Konfigurationen, während die Abfolge der Arbeitsschritte – vom Grafikdesign über die Materialauswahl bis hin zu den abschließenden Prüfungen – gleich bleibt, dokumentiert ist und in jeder Phase überprüft wird.
Das Taxi in Los Angeles löst dieses Problem mithilfe eines in der Cloud gespeicherten Benutzerprofils. Eine Fabrik löst es mit einem Prozess, der flexibel genug ist, um unterschiedliche Anforderungen zu erfüllen, und zugleich streng genug, um die Qualität über alle Produktionsschritte hinweg sicherzustellen.
Ein Algorithmus hat keinen schlechten Tag
Fabriken automatisieren in erster Linie wiederkehrende Prozesse: Montage, Verpackung, Dosierung, Kommissionierung und Maßprüfung. Bei diesen Tätigkeiten entstehen besonders viele Fehler durch Ermüdung. Menschen, die monotone Aufgaben in hohem Tempo ausführen, machen Fehler. Das liegt in der menschlichen Physiologie.
Die Lebensmittelindustrie liefert eines der interessanteren Beispiele. Ein Betrieb führte einen Algorithmus zur Produktionsplanung ein, der energieintensive Prozesse laufend mit den Haltbarkeitsfristen der Rohstoffe koordinierte. Der Materialverfall wurde auf null reduziert. Die Stromkosten sanken um 18 %.
Automatisierung hat allerdings ihren Preis, und es hat keinen Sinn, die anfänglichen Kosten zu verschweigen. Die Vorbereitungsphase – Prozessanalyse, technische Planung, Aufbau der Verbindungen zwischen den Systemen, Tests und Mitarbeiterschulungen – beansprucht in der Regel 40 bis 60 % des Budgets im ersten Jahr. Die jährlichen Instandhaltungskosten können 15 bis 25 % des ursprünglichen Investitionswerts erreichen. Ältere Maschinen ohne Sensoren oder Kommunikationsschnittstellen müssen nachgerüstet werden. Die Kosten für die Ausstattung einer einzelnen Maschine mit den fehlenden Komponenten liegen zwischen 5.000 und 25.000 PLN. Die größte Herausforderung besteht darin, die Steuerungssysteme in der Produktionshalle, die als OT (Operational Technology) bezeichnet werden, mit den bürobasierten Systemen für Unternehmens- und Produktionsmanagement wie ERP und MES zu verbinden. Diese verwenden häufig völlig unterschiedliche Kommunikationsprotokolle.
Automatisierung vertreibt die Menschen nicht aus der Produktionshalle. Sie verlagert sie von Tätigkeiten, die Maschinen besser erledigen können, hin zu Aufgaben, bei denen menschliches Urteilsvermögen unverzichtbar ist: Ursachenanalyse, Entscheidungsfindung und die Lösung von Problemen, für die der Algorithmus nicht trainiert wurde.
Wie sieht das bei Qwerty aus?
Bei Qwerty ist Automatisierung eine Voraussetzung für reproduzierbare Ergebnisse. Jede Folientastatur wird kundenspezifisch gefertigt: mit einer anderen Tastenanordnung, einer anderen Grafik und anderen Anforderungen an die Umgebungsbeständigkeit. Der Herstellungsprozess ist jedoch standardisiert und wird vom ersten bis zum letzten Schritt überwacht.
Dazu gehören unter anderem:
- Automatisierte Druckqualitätskontrolle – kameragestützte Überprüfung von Kontrast, Positionierung der Grafik und Beständigkeit des Aufdrucks nach wiederholten Nutzungszyklen.
- Reproduzierbare mechanische Parameter – gleichbleibende Betätigungskraft der Taste, taktile Rückmeldung und Beständigkeit gegenüber Millionen von Betätigungen ohne Qualitätsverlust.
- Vollständige Kontrolle über die Produktionskette – vom Grafikdesign über die Auswahl der Materialien und Drucktechnologien bis zur Endmontage, ohne die Auslagerung von Prozessschritten, bei denen Fehler besonders schwer zu erkennen und zu beheben sind.
Einige Tastaturhersteller vergeben Teile ihres Produktionsprozesses an externe Dienstleister. Bei Qwerty findet jeder Arbeitsschritt unter einem Dach statt. Nicht, weil es dadurch günstiger wird, sondern weil so weniger Dinge der Kontrolle entgehen.
Die Autobahn ist anspruchsvoller als die Produktionshalle
Ein Hindernis auf der Fahrbahn, nachts, auf sechs Spuren und bei nasser Oberfläche. Das System reagiert innerhalb von Millisekunden. Die Autobahn einer Millionenstadt bringt Tausende variabler Faktoren mit sich: Fußgänger, die plötzlich außerhalb des Sichtfelds auftauchen, Fahrer, die ohne Vorwarnung die Spur wechseln, schlecht sichtbare Fahrbahnmarkierungen und Regen, der das Kamerabild beeinträchtigt.
Die Produktionshalle ist eine weitaus stärker strukturierte Umgebung. Es gibt weniger variable Faktoren, stabile Parameter, eine dokumentierte Abfolge von Arbeitsschritten und vorhersehbare Materialien. Wenn ein Algorithmus eine Autobahn ohne Fahrer bewältigt, ist es schwer, einen Produktionsprozess zu nennen, der sich nicht automatisieren lässt. Die Frage lautet nicht mehr „ob“. Sie lautet: Welcher Prozess kommt als Nächstes?