Smart Factory braucht mehr als Technologie

Zur Person und der Ostschweizer Fachhochschule OST

Rolle am Institut für Werkstofftechnik und Kunststoffverarbeitung

Prof. Dr. Mario Studer: Ich bin an der OST für den Bereich Simulation und Design am Institut für Werkstofftechnik und Kunststoffverarbeitung verantwortlich. Meine Tätigkeit teilt sich ungefähr zur Hälfte zwischen Lehre und Forschung auf. 

In der Lehre unterrichte ich unter anderem Simulationsmethoden und beschäftige mich mit Qualitätsprädiktionen. Im Institut arbeiten wir gleichzeitig an zahlreichen Industrie- und Forschungsprojekten. 

Anwendungsorientierte Forschung mit der Industrie

Die OST ist als Fachhochschule stark anwendungsorientiert. Was bedeutet das konkret für eure Arbeit? 

Unser Fokus liegt auf angewandter Forschung gemeinsam mit der Industrie. Viele Projekte entstehen in Zusammenarbeit mit Innosuisse und insbesondere mit KMU. Unser Ziel ist es, Unternehmen durch angewandte Forschung zu stärken. Entsprechend eng ist der Austausch mit der Industrie. 

Von der Smart Factory zum Datenmatching

Ausgangspunkt und die eigentliche Hürde

Gemeinsam mit AWS habt ihr ein erstes Projekt im Bereich Smart Factory umgesetzt. Was war der Ausgangspunkt?

Wir wollten deshalb untersuchen, wie sich Daten mit Cloudlösungen strukturierter zusammenführen lassen und wie man daraus möglichst effizient Wissen generieren kann. Das Projekt wurde ursprünglich von meinem Kollegen Prof. Dr. Roman Hänggi gemeinsam mit Christoph Schniderig von AWS initiiert. Ein Teil des initialen Projekts ist bereits umgesetzt, anderes läuft noch. Für uns geht es zunächst darum, die verschiedenen Werkzeuge und Services kennenzulernen und Erfahrungen damit zu sammeln. Im nächsten Schritt möchten wir diese Ansätze in eine Innovationsfabrik übertragen. 

Wo lag für euch bisher die eigentliche Hürde auf dem Weg zur Smart Factory? 

Wir hatten bereits verschiedene Ansätze entwickelt, diese waren aber teilweise stark voneinander isoliert. Dazu kamen unterschiedliche Datenquellen und lokale Silos. Die eigentliche Herausforderung bestand darin, Daten aus verschiedenen Maschinen und Systemen sinnvoll zusammenzuführen. Genau dort entsteht heute noch sehr viel manueller Aufwand. Bevor wir aus Produktionsdaten tatsächlich Wissen gewinnen und beispielsweise Zusammenhänge oder Qualitätsprobleme erkennen können, müssen die Daten erst vereinheitlicht und miteinander verknüpft werden. 

Mit dem gemeinsamen AWS-Projekt haben wir diese Fragestellung erstmals sehr fokussiert und strukturiert angegangen. Entscheidend ist für uns, den Weg von den Rohdaten zur nutzbaren Information stärker zu automatisieren und dadurch schneller zum eigentlichen Erkenntnisgewinn zu kommen. 

Was verstehst du genau unter Datenmatching? 

Damit meine ich das Zusammenführen von Produktionsdaten aus unterschiedlichen Maschinen, Anlagen und Systemen. Diese Daten liegen häufig in unterschiedlichen Formaten und Strukturen vor und müssen zunächst auf einen gemeinsamen Nenner gebracht und miteinander verknüpft werden. Das ist in der Praxis eine enorme Herausforderung. In vielen unserer Projekte haben wir rund 80 Prozent der Zeit allein dafür investiert, ein sauberes Datenmatching herzustellen. Erst danach können wir beginnen, die Daten tatsächlich auszuwerten und daraus Erkenntnisse zu gewinnen. 

Cloud-Nutzen, Vorbehalte und Grenzen der Übertragbarkeit

Ist genau das der grösste Mehrwert von Cloudplattformen und entsprechenden Services? 

Ich würde sagen, ja. Für Unternehmen ist entscheidend, wie viel Aufwand sie investieren müssen, bevor sie überhaupt anfangen können, aus ihren Daten zu lernen. Wenn wir diesen Anteil reduzieren können, wird Digitalisierung wirtschaftlich wesentlich interessanter. Genau deshalb wollen wir auch zeigen, dass Cloudlösungen für KMU eine Option sein können. 

Gerade bei industriellen Daten besteht aber häufig Zurückhaltung gegenüber der Cloud. Erlebt ihr das ebenfalls? 

Wir arbeiten in vielen Projekten mit vertraulichen Daten. Entsprechend sensibel reagieren Unternehmen darauf, wo ihre Daten gespeichert oder verarbeitet werden. Das ist auch der Grund, weshalb Unternehmen nach wie vor bei Cloudlösungen zurückhaltend sind, obwohl sie gleichzeitig andere cloudbasierte Dienste nutzen. Auch deshalb ist es für uns wichtig, praktische Erfahrungen zu sammeln und unterschiedliche Möglichkeiten aufzeigen zu können. 

Lässt sich eine einmal entwickelte Lösung anschliessend einfach auf andere Produktionsunternehmen übertragen? 

Nein, so einfach ist es nicht. Jedes Produkt und viele der dahinterliegenden Prozesse sind sehr spezifisch. Je nach Produktion kommen unterschiedliche Sensoren und Qualitätsmerkmale zum Einsatz. 

Das Grundgerüst lässt sich übertragen. Aber man braucht weiterhin Fachleute, die den jeweiligen Prozess verstehen und wissen, welche Signale und Qualitätsattribute relevant sind. Eine Blackbox zu installieren und davon auszugehen, dass anschliessend alles funktioniert, ist keine realistische Vorstellung. Die Technologie kann Prozesse vereinfachen und aus Daten lernen. Sie ersetzt aber das Expertenwissen nicht. 

Welche Rolle kann die OST dabei für KMU übernehmen? 

Wir können als Sparringspartner unterstützen. Gerade in der Kunststoffindustrie verfügen wir über entsprechendes Domänen- und Prozesswissen und können dieses mit technologischen Lösungen verbinden. 

Gleichzeitig wollen wir unterschiedliche Ansätze vergleichen und untersuchen, welche Systeme für welche Anforderungen Vor- und Nachteile haben. Wir können und wollen aber nicht sämtliche Technologiekompetenz selbst aufbauen. Deshalb sind Partnerschaften wie beispielsweise mit AWS wichtig. 

Die Innovationsfabrik und der Wandel der Hochschule

Die Innovationsfabrik als Testfeld für Studierende, Anbieter und Industrie

Im nächsten Schritt soll eine Innovationsfabrik entstehen. Was ist die Idee dahinter? 

Die Innovationsfabrik soll mehrere Funktionen gleichzeitig erfüllen. Unsere Studierenden sollen an einer möglichst realitätsnahen Fabrik von morgen arbeiten und Technologien direkt an Maschinen und Produktionsprozessen kennenlernen. 

Gleichzeitig können Technologieanbieter ihre Lösungen unter realistischen Bedingungen testen. Das können Cloudtechnologien wie von AWS sein, genauso wie Vision-Systeme oder neue Messgeräte. Auch Industrieunternehmen erhalten dadurch die Möglichkeit, Technologien praktisch zu erleben und einzuschätzen. 

Und schliesslich können wir Ergebnisse aus Forschungsprojekten in diese Umgebung überführen. Wir können beispielsweise zunächst in unseren Laboren entwickeln und die Ergebnisse anschliessend in die Fabrikumgebung transferieren. 

Kann eine solche Umgebung auch helfen, die Lücke zwischen Forschung und industrieller Anwendung zu schliessen? 

In einigen Fällen sicherlich. Es gibt allerdings unterschiedliche Gründe, weshalb Forschungsprojekte nicht in die industrielle Umsetzung gelangen. Gerade bei länger laufenden Projekten können sich wirtschaftliche Rahmenbedingungen verändern. Gleichzeitig entwickelt sich die Technologie heute so schnell, dass ein Projekt irgendwann zu lange dauern kann, um den ursprünglich erwarteten Nutzen noch zu realisieren. Die Innovationsfabrik kann helfen, Entwicklungen praxisnah zu testen und schneller sichtbar zu machen. Sie löst aber natürlich nicht sämtliche Probleme beim Transfer. 

Hochschule im Wandel: Grundlagen, neue Werkzeuge, neue Studienangebote

Wie müssen sich Hochschulen verändern, wenn sich Technologien und Anforderungen in der Industrie so schnell weiterentwickeln? 

Das ist eine grosse Herausforderung. Ich glaube aber, dass Grundlagenwissen weiterhin zentral bleibt. Die Physik ändert sich nicht, nur weil neue KI-Werkzeuge verfügbar sind. Studierende müssen die grundlegenden Zusammenhänge verstehen, damit sie neue Systeme überhaupt sinnvoll einsetzen und deren Ergebnisse kritisch beurteilen können. 

Verändern muss sich dagegen der Umgang mit diesen Werkzeugen. Wir müssen uns stärker fragen, was Studierende künftig selbst können müssen, welche Aufgaben KI übernehmen kann und wie wir Wissen überhaupt noch überprüfen. Wenn beispielsweise ein Bericht mit KI erstellt werden kann, stellt sich zwangsläufig die Frage, was eine solche Arbeit noch über das tatsächliche Verständnis eines Studierenden aussagt. 

Die Aufgabe der Hochschule wird deshalb aus meiner Sicht nicht kleiner, aber sie verändert sich. Wir müssen weiterhin Grundlagen vermitteln und gleichzeitig die Studierenden dazu befähigen, neue Technologien kompetent zu nutzen, und ihre Ergebnisse zu hinterfragen und einzuordnen. 

Verändert das auch die Studienangebote? 

An der OST entstehen neue Angebote, darunter beispielsweise der Studiengang AI-Transformation. Auch in der Informatik gibt es neue Vertiefungsrichtungen und im Maschinenbau spielen Themen wie Data Analytics zunehmend eine Rolle. 

Grundsätzlich könnte man sich sogar fragen, ob Studierende zunächst eine Art Grundausbildung im Umgang mit diesen neuen Werkzeugen benötigen und anschliessend mithilfe dieser Tools die fachlichen Grundlagen erarbeiten. So weit sind wir momentan noch nicht. 

Werden Hochschule und Industrie dadurch künftig noch enger zusammenrücken? 

Nicht zwingend. Es könnte teilweise sogar das Gegenteil passieren. Viele Unternehmen bauen durch KI eigene Kompetenzen auf, die sie früher vielleicht nicht hatten. Damit benötigen sie in gewissen Bereichen weniger Unterstützung von Hochschulen. 

Unsere Stärke liegt weiterhin in Infrastruktur, Prozesswissen und spezifischem Domänenwissen. Hinzu kommt die Breite einer Hochschulausbildung. Wer direkt in einem Unternehmen arbeitet, bewegt sich häufig stark innerhalb eines bestimmten Anwendungsbereichs. Ein Studium vermittelt dagegen über mehrere Jahre einen breiteren Blick auf unterschiedliche Themen, Methoden und Zusammenhänge. Diesen Weitblick wird auch die Industrie weiterhin benötigen. 

KI in der Produktion: Chancen, Grenzen und Ausblick auf 2035

Wo KI überschätzt wird – und wo Digitalisierung neue Risiken schafft

Wo werden die Möglichkeiten von KI in der Produktion heute überschätzt? 

Zum Beispiel bei der Verlässlichkeit der Systeme. Auch in unserem Projekt sehen wir, dass Systeme Ergebnisse liefern, aber durchaus Fehler enthalten können. Ohne Domänenwissen erkennt man diese Fehler möglicherweise nicht. Genau das ist kritisch. 

Gleichzeitig sollte man die Fähigkeiten solcher Systeme nicht unterschätzen. Wenn genügend Daten vorhanden sind, können sie wesentlich mehr Informationen analysieren als ein Mensch und Zusammenhänge erkennen, die wir vielleicht nicht sehen würden. Die nächste Frage lautet dann allerdings: Brauchen wir all diese Informationen überhaupt? 

Mehr Daten bedeuten also nicht automatisch mehr Nutzen? 

Genau. Das lässt sich beispielsweise mit Simulation gut erklären. Die Rechenleistung steigt permanent. Trotzdem dauert eine Simulation nicht zwingend weniger lange. Stattdessen simulieren wir immer detaillierter und genauer. Der Informationsgehalt steigt, aber daraus muss auch ein wirtschaftlicher Nutzen entstehen. 

Ähnlich ist es beim Messen. Je genauer wir messen können, desto mehr Abweichungen entdecken wir. Dann stellt sich die Frage, ob diese Abweichung überhaupt ein Problem ist. Neue Informationen schaffen auch neue Entscheidungen und jede dieser Entscheidungen verursacht Aufwand und Kosten. 

Kann eine immer stärkere Digitalisierung sogar neue Risiken für die Produktion schaffen? 

Ja, denn durch die Vernetzung entstehen neue Abhängigkeiten. Es kann beispielsweise passieren, dass ein Gerät technisch problemlos funktioniert und weiterhin gute Teile produziert, aber aufgrund eines Softwarefehlers keine Daten mehr übermittelt. Wenn die gesamte Produktionszelle davon abhängig ist, kann trotzdem die Produktion stillstehen. 

Für komplexe Systeme sehe ich einen grossen Mehrwert in Digitalisierung und Automatisierung. Bei einfachen Systemen sollte man dagegen durchaus überlegen, ob der zusätzliche Aufwand tatsächlich sinnvoll ist. Man darf Digitalisierung nicht übertreiben. 

Aufwand-Nutzen-Abwägung und die Schweizer Industrie 2035

Wie können Unternehmen denn entscheiden, wo sich der Aufwand lohnt? 

Bei neuen Systemen würde ich Daten und entsprechende Strukturen von Anfang an mitdenken. Dort lässt sich vieles vergleichsweise kostengünstig beeinflussen. Bei bestehenden Anlagen ist die Situation anders. Einen vollständigen Retrofit durchzuführen, nur damit sämtliche denkbaren Daten verfügbar sind, sollte man sehr genau hinterfragen. Wenn ein Produkt und ein Prozess keine Probleme verursachen, muss man nicht automatisch hohe Kosten investieren, nur um zusätzliche Daten zu sammeln. 

Andererseits gibt es inzwischen Produktionsprozesse, die so komplex sind, dass wir sie ohne Digitalisierung kaum noch vollständig überblicken können. Deshalb gibt es nicht den einen richtigen Weg. 

Wenn wir zum Abschluss auf die Schweizer Industrie im Jahr 2035 schauen: Welche Kompetenzen werden weiterhin entscheidend sein? 

Die klassischen fachlichen Skills werden weiterhin wichtig bleiben. Gerade in Bereichen wie der Kunststoffindustrie braucht es Menschen, die Maschinen einrichten und Werkzeuge herstellen können. Ohne diese Expertise wird auch künftig keine Produktion funktionieren. 

Verändern wird sich aus meiner Sicht vor allem die Prozesslandschaft. Mit neuen KI-Werkzeugen können Fachpersonen wesentlich mehr selbst automatisieren, Ideen schneller umsetzen und zeigen, wie ein Prozess aussehen könnte. Früher brauchte es dafür häufig spezialisierte Informatikerinnen und Informatiker. Für eine professionelle Implementierung wird möglicherweise weiterhin Unterstützung benötigt. Aber der Weg von einer Idee zu einem funktionierenden Ansatz wird deutlich kürzer. 

Ist die Innovationsfabrik damit auch ein Versuch, schon heute ein Stück dieser Produktion von morgen abzubilden? 

Genau solche Fragestellungen möchten wir dort untersuchen. Wir betreiben selbst Produktionsprozesse und können neue Technologien dadurch in einer realistischen Umgebung betrachten. Gleichzeitig wissen wir heute natürlich nicht, wie die Produktion in fünf oder zehn Jahren tatsächlich aussehen wird. Gerade deshalb ist eine aktive Umgebung wichtig, in der Studierende, Forschung und Industrie neue Ansätze ausprobieren können.