Die nächste Stufe nach der Vorhersage (Predictive Maintenance, Anomaly Detection) ist die Intervention: KI-Systeme, die nicht nur Zustände erkennen, sondern aktiv Regelparameter anpassen. Im Maschinenbau entstehen dadurch drei Hauptanwendungsfelder: Werkzeugstandzeit-Optimierung, Durchlaufzeit- und Reihenfolgeoptimierung sowie Energiemanagement.
Adaptive Prozessregelung an der Werkzeugmaschine
Klassische CNC-Programme fahren Vorschub und Schnittgeschwindigkeit mit festen, konservativ ausgelegten Parametern – sicher für alle Material- und Werkzeugvarianten, aber nie optimal. Adaptive Control (AC) passt diese Parameter in Echtzeit an den gemessenen Zustand an:
- Adaptive Control Constraint (ACC): Hält Schnittkraft, Spindellast oder Werkzeugtemperatur auf einem Zielwert durch Vorschubanpassung. Erhöht produktive Schnittzeit um 15–30 % bei gleichem Werkzeugverschleiß.
- ML-gestützte Werkzeugverschleiß-Kompensation: Ein Regressionsmodell schätzt den aktuellen Werkzeugverschleißzustand aus Schnittkraft- und Vibrationssignalen und passt Schnittparameter so an, dass die Oberflächenqualität konstant bleibt, bis der Austauschzeitpunkt optimal ist.
- Reinforcement Learning für Parameterselektion: Ein RL-Agent erkundet den Parametersuchraum und maximiert eine Belohnungsfunktion aus Zerspanergebnis, Werkzeugstandzeit und Energieverbrauch.
Reihenfolgeoptimierung und Feinplanung
Die Sequenzierung von Produktionsaufträgen auf Maschinengruppen ist ein NP-hartes kombinatorisches Optimierungsproblem (Job-Shop-Scheduling). Klassische heuristische Verfahren (SPT, EDD) liefern suboptimale Ergebnisse. ML-Ansätze:
Graph Neural Networks modellieren den Scheduling-Zustand als Graphen (Aufträge, Maschinen, Abhängigkeiten) und lernen durch Reinforcement Learning Priorisierungsregeln, die klassische Heuristiken konsistent schlagen. Metaheuristiken (Simulated Annealing, Genetische Algorithmen) kombiniert mit ML-basierten Initialisierungen erreichen nahe-optimale Lösungen in praktischen Zeitfenstern.
Smart Energy: Energiebedarfsoptimierung
Energiekosten machen im Maschinenbau 3–8 % der Gesamtproduktionskosten aus. ML-gestützte Energiemanagementsysteme (EMS) optimieren:
- Lastspitzenreduktion (Peak Shaving): ML-Prognosemodelle sagen den Leistungsbedarf der nächsten Stunden vorher. Das EMS verschiebt energieintensive Prozesse (z. B. Druckluftkompressoren, Härteanlagen) aus Spitzenlastzeiten. Einsparung Leistungspreis: 10–20 %.
- Rüstsequenz-Optimierung für Energie: Rüstzeit-optimale Reihenfolgen berücksichtigen auch Abkühl-/Aufheizzeiten von Anlagen und minimieren Energie für Aufheizzyklen.
- Druckluft-Leckage-Erkennung: Akustische Sensoren und ML erkennen Druckluftverluste; der größte versteckte Energieverbraucher in Fertigungsunternehmen (15–30 % des Druckluftvolumens geht durch Leckagen verloren).
Durchlaufzeit-Optimierung mit digitalen Methoden
Die Kombination aus MES-Daten (Ist-Zeiten), Simulationsmodellen (Discrete-Event-Simulation) und ML-Prognosen ermöglicht eine kontinuierliche Durchlaufzeit-Optimierung: Das System simuliert die Auswirkungen von Planänderungen auf Liefertreue, Bestand und Maschinenauslastung und schlägt Priorisierungsänderungen aktiv vor. Details zur MES-Anbindung im Abschnitt MES-Software.