Wie Physical AI die industrielle Produktion verändert

„Das Thema physische KI ist für Schaeffler in vielerlei Hinsicht eine Schlüsseltechnologie, deren breiter und zielgerichteter Einsatz ein wichtiger Faktor für unsere Wettbewerbsfähigkeit ist“, sagt Roberto Henkel, Senior Vice President Digitalization & Operations IT bei Schaeffler. Man sei der festen Überzeugung, dass physische KI (Physical AI) die Art und Weise der Wertschöpfung in den über hundert Produktionswerken verändern, und zugleich ein wichtiger Differenziator sein wird. Darüber hinaus sieht Schaeffler das Thema aber auch als neues Geschäftsfeld. Im Umfeld der humanoiden Robotik positioniert sich das Unternehmen nicht nur als Lieferant hocheffizienter und intelligenter Schlüsselkomponenten wie integrierter linearer und rotatorischer Aktoren, sondern setzt humanoide Systeme auch in eigenen Werken ein. Dafür wurden bereits eine Reihe strategischer Partnerschaften geschlossen.

„Durch die Automatisierung mit KI-basierter humanoider Robotik lassen sich die Produktionskosten sehr kompetitiv gestalten. Unternehmen können wieder manuelle Tätigkeiten in der Fabrik haben, ohne dass es sich im Wertschöpfungsbeitrag negativ niederschlägt. Damit entfällt im Prinzip der bisherige Standortnachteil an Hochlohnstandorten“, meint Simon Fischinger, CEO der Synapticon GmbH, einem Anbieter für industrielle Bewegungssteuerung.

Embodied AI bringt Intelligenz in Systeme

Im Kontext von Physical AI gebe es im Maschinen- und Anlagenbau bereits eine ganze Bandbreite von Anwendungen, konstatiert Marco Huber, Scientific Director Digitalization and Artificial Intelligence beim Fraunhofer IPA. Dazu gehöre der Einsatz von KI-basierter Robotik, Stichwort „Griff in die Kiste“, oder die kamerabasierte Qualitätsprüfung. „Bei Embodied AI kommt zusätzlich hinzu, dass das System durch die Interaktion mit dem Prozess, mit der Maschine oder auch mit den Menschen weiter lernt“, sagt der Fraunhofer-Experte. 

Damit ließen sich jetzt Regelkreise aufschließen, um Prozesse zu regeln, zu steuern und zu optimieren, indem das System kontinuierlich weiterlernt. Zwar beschäftigen sich die großen Unternehmen, vor allem in der Automobilzulieferbranche, bereits mit Physical AI. Bei den kleinen mittelständischen Unternehmen nehme werde es „zunehmend dünner“, mangels Kapazitäten und Experten-Teams für das Thema KI. Dennoch könnten gerade KMU von der Technologie profitieren, ist sich Huber sicher, insbesondere, wenn im Verbund mit Unis, Forschungseinrichtungen und gleichgesinnten Partnern vorgegangen werde.

Physical AI auf dem Maschinenbau-Gipfel

Die nächste Stufe der Digitalisierung ist nicht nur Software, sondern intelligente, lernfähige, physisch handelnde Systeme. Robotik, autonome Maschinen, humanoide Systeme und KI-gestützte Automatisierung verändern die Spielregeln in Fabrik und Service. 

Die Session 2 beleuchtet auf dem Maschinenbau-Gipfel, wie „Physical AI“ den Maschinenbau vom reinen Ausrüster zum Anbieter intelligenter Systeme machen kann. 

Mit dabei sind unter anderem:

• Prof. Thomas Bauernhansl, Leiter des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA
  
• Gerd Hoppe, Corporate Management, Beckhoff Automation
• Arnab Bhattacharya,  Diversification & Growth Industries Industry Process Consultant Director, Dassault Systèmes
  

Weitere Informationen zum Maschinenbau-Gipfel und Tickets gibt es hier!

Die Idee von Embodied AI besteht im Grunde darin, die bisherige Nutzung von KI noch einen Schritt weiterzutreiben. Ein Beispiel: Beim Schneiden von Blechen mit Lasermaschinen sei KI auf Basis von Bilderkennung der Schnittkanten in der Lage, die Qualität einer Kante zu bewerten und damit manuelle Prüfungen abzulösen. „Im nächsten Schritt wäre es dann ideal, wenn es gar keine schlechte Kante mehr gibt, indem sich die KI an die Materialeigenschaften adaptiert, die Prozessparameter einstellt oder Vorschläge macht, wie Maschinenparameter wie Laserleistung oder Vorschubgeschwindigkeit für eine perfekte Kante eingestellt werden könnten“, berichtet Huber aus einem gemeinsamen Forschungsprojekt mit dem Lasermaschinenhersteller Trumpf.

Maschinenbauer können Embodied AI in ihre Produkte bringen

Immer mehr Produkte von Maschinen- und Anlagenbauern könnten so zu Embodied AI werden. Statt KI nachträglich als Stück Software an die Maschine „anzuflanschen“, müsse sie zum integralen Bestandteil werden und zentrale Aufgaben in der Steuerung übernehmen, glaubt Marco Huber. „Wenn KI so eine zentrale Rolle einnimmt, dann muss grundsätzlich die klassische Automatisierungspyramide, die man im Maschinenanlagenbau findet, hinterfragt werden. In der Folge könnte es sein, dass man Aspekte wie klassische SPS nicht mehr benötigt und diese Aufgaben über Software löst“, merkt Huber an.

Auch Grafikkarten könnten direkt in die Maschinen wandern. „Wenn eine Maschine über die Zeit lernen kann und wie ein erfahrener Maschinenbediener Kompetenz aufbaut, kann dieses KI-Modell mit dem Prozessverständnis als Dienst veräußert werden“, sagt Huber. Das sei etwa für Instandhaltungsaufgaben interessant.

KI-Projekte: Worauf Maschinenbauer setzen müssen

KI-Projekte im Maschinenbau scheitern häufig nicht an der Technologie, sondern an fehlenden Datenstrukturen, mangelndem Kontext und unklaren Verantwortlichkeiten.

„Wir sind an einem Punkt angekommen, an dem der Fokus auf Mechanik und SPS-Programmierung nicht mehr ausreicht, sondern die Maschine zu einem sehr Software-lastigen System wird“, glaubt auch Simon Fischinger. KI biete heute die Möglichkeit, nahezu ohne Programmierung Software zu erstellen. „Diese Chance sollte der Maschinenbau in Deutschland nutzen“, rät der KI-Experte. Auch Predictive Maintenance könnte perspektivisch mit KI und Large Language Models (LLM) deutlich beherrschbarer werden. Er geht davon aus, dass es bald einfacher wird, Modelle zu nutzen, um Erkenntnisse aus einer hohen Anzahl von Datenpunkten wie etwa Messwerten zu ziehen. Es sei zudem wichtig, dass Maschinen- und Anlagenbauer ihre Softwareinfrastruktur so vorbereiten, dass KI-basierte Maschinen damit interagieren können. Dazu gehören offene Schnittstellen für maschinengerechte Kommunikation, an die Roboter sich anschließen und im Schwarm beispielsweise verstehen können, welche Anlage Hilfe braucht, wenn eine Warnlampe blinkt.

Zulieferer müssen Physical-AI-ready werden

„Wir geben der künstlichen Intelligenz, die zunächst als Software in der digitalen Welt existiert, einen Zugang zur physischen Welt, indem wir sie gewissermaßen verkörpern“, nennt Roberto Henkel seine Definition für Embodied AI. Das könne in Form eines humanoiden Roboters geschehen, aber auch in Systemen, in denen KI mit der Physik in der realen Produktion interagiert: etwa in smarten Maschinen. Ist Embodied AI also ein echter Ansatz in der Praxis doch nur ein Hype? „Physical AI ist der Enabler, um das nächste Level von Automatisierungspotenzialen zu erschließen, die bisher nicht realisierbar waren. Vor dem Hintergrund von Fachkräftemangel wird Physical AI künftig an den richtigen Stellen ein wichtiger Hebel für die Wettbewerbsfähigkeit sein“, ist sich Henkel sicher.

Ein gutes Beispiel dafür sind beispielsweise Sicht- und Prüfarbeitsplätze in der Produktion. Der Arbeitsschritt besteht zum einen aus der Haptik, also der Handhabung und Positionierung des Bauteils, sowie einer visuellen Kontrolle von vielen Charakteristiken, für die heute menschliche Hände, Augen und Gehirn nötig sind. „Das geht weit über klassische mechanische Automatisierung hinaus und ist nur mit Physical AI möglich“, so Henkel. Er empfiehlt Unternehmen, sich konkret auf der technischen Ebene mit dem Thema zu beschäftigen, um es zu verstehen. Das könnte künftig wettbewerbsentscheidend werden: Zulieferer müssten sich die Frage stellen, wie sie ihre teils mechanischen Komponenten und Produkte Physical-AI-ready machen, damit ihre Kunden diese künftig in mit physikalischer KI optimierte Gesamtmodelle integrieren können.

Wie immer bei KI: Daten, Daten, Daten

Nachholbedarf gibt es vor allem beim Thema Semantic Layer, also die Daten semantisch zu verstehen und in einer Datenontologie nutzbar zu machen, meint Fischinger. Je mehr (Sensor-)Daten vorlägen, desto besser für die KI-Modelle. „Maschinenbauer, die sich hier schnell integrieren, werden es dann am leichtesten haben, Maschinen in diesem neuen Markt zu verkaufen. Denn es wird perspektivisch sehr einfach werden, eine Fabrik mit dieser neuen Technologie als Gesamteinheit zu bauen“, folgert Fischinger.

Kernfusion: Wo der Maschinenbau ins Spiel kommt

Noch liefert kein Fusionskraftwerk Strom. Doch rund um Magnetspulen, Hochleistungslaser, Vakuumtechnik, Spezialwerkstoffe und Robotik entsteht bereits ein Markt. Für den Maschinenbau geht es deshalb nicht um Zukunftsmusik, sondern um die Frage, wer die Technologie industrietauglich macht.

In der Praxis sind viele Unternehmen jedoch nicht auf KI vorbereitet. „Wir stellen häufig fest, dass die IT-Grundlagen nicht gegeben sind. Es sind zwar Daten vorhanden, häufig jedoch in schwer zugänglichen Silos. Jenseits einzelner Prototypen müssen KI-Systeme jedoch für den produktiven 24/7-Einsatz permanent auf Daten aus dem Fertigungsprozess zugreifen können“, stellt Marco Huber fest.

Stichwort Industrial IoT: Voraussetzung ist, dass alle Daten, die in der Fertigung anfallen, in einem zentralen Repository beispielsweise in der Cloud gespeichert werden. Um beispielsweise statt in einer End-of-Line-Prüfung schon innerhalb des Herstellungsprozesses Qualitätsaussagen zu bekommen, müssten Prozessdaten, Kräfte, Geschwindigkeiten, Temperaturen und weitere Datenpunkte zugreifbar sein, um jeweils auf die Qualität im aktuellen Fertigungsstadium rückschließen zu können. Damit lasse sich Zeit und Geld sparen.

KI muss die reale Welt anhand von Daten begreifen

„Physical AI in der virtuellen Welt ermöglicht, weit über die klassische Simulation hinauszugehen und den ‚Sim to Real Gap‘, die Lücke zwischen Simulation und Realität, deutlich zu reduzieren“, stellt Roberto Henkel klar. Heute werde in der Regel beispielsweise ohne physikalische Gesetzmäßigkeiten, ohne Reibung und ohne Toleranzen in den Bauteilen simuliert. Physical AI unterscheide sich von der klassischen Simulation durch die Abbildung der realen physischen Gegebenheiten, deshalb müsse geklärt werden, wie die nötigen digitalen Fähigkeiten aufgebaut und der Datenkreislauf bis hinein in die physische Welt der Produktion geschlossen werden.

„Das bedeutet, Daten aus der eigenen Produktion zu sammeln, die zum Beispiel weit über Statusinformationen von Anlagen hinausgehen und den tatsächlichen Zustand des Fertigungssystems widerspiegeln“, so der Senior Vice President Digitalization & Operations IT. Die wichtigste Hausaufgabe laute also: Überhaupt erst einmal die eigene Produktion zu befähigen, Daten zu liefern. Dazu gehört auch, Bild- und Videodaten zu erheben, um beispielsweise spezifische KIs wie Vision Language Action Modelle zu trainieren, die Bewegungsabläufe verstehen.

Szenarien für Physical AI, die sich rechnen

Doch wo können Maschinenbauer heute bereits wirtschaftlichen Nutzen aus lernfähiger KI ziehen? „Physical AI lohnt sich bereits heute, etwa in der Logistik durch Autonome Mobile Roboter, durch Dual-Arm-Automatisierung an Montageanlagen oder beim Beladen von Maschinen“, ist sich Henkel sicher. Aus seiner Sicht sollte Physical AI zunächst in einfachen Anwendungen der Automatisierungstechnik eingeführt werden und sich mit zunehmendem Reifegrad schrittweise auf die Inbetriebnahme komplexer Anlagenszenarien ausweiten. Hier, wo Simulation und Training mit der physischen Inbetriebnahme auf dem Shopfloor zusammentreffen, liege ein zentraler weiterer Use Case mit einem guten ROI. Denn damit ließen sich Roboterprogramme und Maschinensteuerungen bereits deutlich früher programmieren und potenzielle Fehler eliminieren, um die Inbetriebnahme von jetzt typischerweise mehreren Monaten auf wenige Wochen oder sogar Tage zu reduzieren.

Aus Sicht von Huber lässt sich vergleichsweise zügig ein ROI im Bereich Qualitätsprüfung erreichen: Ein Szenario, das bereits in vielen Fällen ausgereift und gerade als eher isolierte Funktionalität am schnellsten umsetzbar ist. Hier sei der Hardwareaufwand nicht so hoch, häufig reichten eine Kamera und Beleuchtung zu überschaubaren Kosten. Rund 60 Prozent der KI-Projekte beschäftigen sich damit, gefolgt von Robotik für Pick-and-Place-Aufgaben. „Auch das Thema mobile Robotik wird trotz höheren Hardware-Investments derzeit etwas stärker“, berichtet Huber aus der Praxis.

Humanoide Robotik kommt: Auf Beinen oder Rädern

Den Einsatz von humanoider Robotik sieht Fischinger vor allem dort, wo es ein relativ gleichbleibendes Produktionsvorgehen gibt und für das Machine Tending derzeit Menschen im Einsatz sind. „Es ist heute schon möglich, mit KI-Systemen durch Training ohne fixe Programmierung solche gleichgearteten Abläufe abzubilden: Das zeigen erste Praxiseinsätze und Piloten in der Autoindustrie“, berichtet Fischinger. In der Praxis seien sowohl Varianten mit Rädern, als auch mit Beinen zu sehen, die grundsätzlich aus einer Plattform mit zwei Armen und – in Abgrenzung zu vorprogrammierten Robotern – einem selbstlernenden System bestehen.

Eine echte Herausforderung ist das Thema Sicherheit bei selbstlernenden Systemen in der Produktion. „Das ist eine komplett neue Ebene an funktionaler Sicherheit, die jetzt benötigt wird und die traditionelle Safety-Konzepte nicht abdecken“, konstatiert Fischinger. Humanoide und mobile Robotik könne nur dann effizient und sicher funktionieren, wenn Menschen in der Interaktion nicht gefährdet werden. Das Ziel sei deshalb, mit einer Art „Sicherheitsgehirn“ Funktionalitätssicherheit zu generieren – und zwar ohne den Roboter abzuschalten.

Greifen, Stecken, Schrauben: Robotik wird feinfühlig

Humanoide Robotik sei zwar bereits für viele größere Maschinenbauer spannend, jedoch ist die Technologie noch teuer und nicht ausreichend industriestabil, meint Huber: „Die Betriebsstunden, die man von solchen Systemen erwartet, sind noch lange nicht auf dem Niveau, wie man das von den klassischen Industrierobotern gewohnt ist“, so der Experte. Es sei jedoch davon auszugehen, dass diese Einschränkungen bald überwunden werden. 

In einer Fraunhofer IPA-Studie aus dem letzten Jahr nannten die befragten Unternehmen als potenzielle Einsatzszenarien für die Humanoiden den Materialtransport in der Intralogistik und das Maschinenbeladen und -entladen. Auch beim Greifen von komplexen Objekten beispielsweise in der Montage, dem Stecken von Kabeln oder Montieren von Schrauben, für das heute noch eine feinfühlige Hand nötig ist, könnten Humanoide Roboter künftig punkten. Ob dafür immer Beine nötig sind, die viel zu Komplexität und Kosten beitragen, sei fraglich.

Eine Hürde ist vor allem die Sicherheit. „Beim Thema Safety spielt der EU AI Act mit der Maschinenverordnung zusammen. Sobald die KI Safety-Funktionen übernimmt, entsteht ein hoher Compliance-Aufwand um den Sicherheitsnachweis für das KI-System zu erbringen“, konstatiert Huber. Wenn (humanoide) Roboter außerhalb von Sicherheitskäfigen mit Menschen arbeiten, müsse zertifizierte Sicherheit bereits in der Aktorik (Antriebsebene) integriert sein, konstatiert Fischinger, dessen Unternehmen für seine Lösung Positron Safety AI dazu vor kurzem auf der Automate in Chicago mit einem Innovationspreis ausgezeichnet wurde.

Die „Humanen“ warten auf den nächsten KI-Durchbruch

„Die Herausforderung ist die KI selbst, weniger das mechatronische System, auf dem sie läuft. Mit Blick auf eine generelle Intelligenz steht man noch relativ am Anfang, denn die Vision Language Action Modelle, die aktuell stark eingesetzt werden, werden trotz einiger beeindruckender Ergebnisse voraussichtlich keine langfristige Antwort auf die Herausforderungen sein“, konstatiert der Synapticon-CEO. Denn für humanoide Roboter, die eigenes „Reasoning“ haben, um ohne jeweilige Anleitung beliebige Aufgaben in der Fabrik zu erledigen, sind sogenannte Weltmodelle nötig. Wann hier der Durchbruch kommt, lässt sich schwer vorhersagen. Doch auf dem letzten Maschinenbau-Gipfel waren sich Experten und Expertinnen unter anderem von Mercedes Benz einig: Wenn es passiert, wird das Thema „durch die Decke gehen“.

„Die Datenqualität, über die wir jetzt nachdenken müssen, ist die Datenqualität, bei der die Daten, die wir erfassen, auch die Wirklichkeit repräsentieren“, nennt Roberto Henkel eine zentrale Herausforderung. Es werde eine Art Weltmodell zumindest für einen abgegrenzten Anwendungsfall benötigt, damit das System mit hoher Flexibilität selbstständig arbeiten kann und bewegungsfähig ist. Datenqualität ist der Schlüssel dazu.