Kunstig intelligens bliver mere og mere integreret i industriel fremstilling og bevæger sig ud over dataanalyse og eksperimentelle applikationer i retning af praktisk produktionsplanlægning, kvalitetsinspektion og fabriksdrift.
En bemærkelsesværdig udvikling kom den 19. oktober 2026, da Siemens og NVIDIA præsenterede nye industrielle AI-applikationer på Siemens' Elektronikfabrik i Erlangen, Tyskland. Projekterne kombinerer digitale tvillinger, AI-genererede træningsdata og AI-understøttet produktionsplanlægning for at hjælpe producenter med at forberede produktionsprocesser virtuelt og reagere mere effektivt på skiftende driftsforhold.
Meddelelsen afspejler en bredere retning inden for industriel automation: Producenterne leder i stigende grad efter måder at forbinde ingeniørsoftware, produktionsdata og fysisk udstyr i et mere adaptivt produktionsmiljø.
Digitale tvillinger bliver praktiske produktionsværktøjer
Digitale tvillinger er traditionelt blevet brugt til at repræsentere produkter, maskiner eller produktionsfaciliteter i et virtuelt miljø. De giver ingeniører mulighed for at studere design, simulere driftsforhold og evaluere potentielle ændringer, før de implementerer dem fysisk.
Den seneste udvikling udvider denne rolle.
På fabrikken i Erlangen bruger Siemens og NVIDIA digitale tvillinger sammen med AI-teknologier til at forberede produktionsprocesser og evaluere produktionsscenarier. I stedet for udelukkende at stole på fysiske prototyper og gentagne justeringer på produktionslinjen, kan producenterne udføre mere forberedelse og validering digitalt.
Denne tilgang er især relevant for elektronikfremstilling, hvor produktionsændringer, komponentvariationer og inspektionskrav kan skabe betydeligt ingeniørarbejde.
Ifølge Siemens kan dens virtuelle produktionsforberedelsestilgang reducere ingeniørarbejdet med op til 85 % for nye printkortsamlingsprocesser og forkorte tiden til markedet med op til 40 %. Disse er virksomhedsrapporterede mål og resultater forbundet med de specifikke applikationer, snarere end garanterede forbedringer for hver fabrik.
Det underliggende princip er vigtigt: Producenterne kan i stigende grad evaluere produktionsændringer, før de binder udstyr, materialer og produktionstid til fysisk implementering.
AI ændrer, hvordan producenter forbereder kvalitetsinspektion
En af applikationerne demonstreret af Siemens og NVIDIA fokuserer på automatiseret optisk inspektion (AOI) for printkortsamlinger.
I konventionelle arbejdsgange kan forberedelse af et inspektionssystem kræve fysiske prøver, billedindsamling, defektidentifikation og gentagne justeringer af inspektionsparametre. Disse aktiviteter kan kræve ingeniørtid, især når produkterne ændres ofte.
Den nye tilgang bruger digitale tvillinger og AI-genererede syntetiske data til at hjælpe med at forberede inspektionsprocesser, før den fysiske produktion begynder. Virtuelle referencetavler og simulerede fejlbilleder kan understøtte udvikling og kalibrering af inspektionsapplikationer.
Siemens rapporterer, at projektet sigter på op til 85 % mindre manuel ingeniørindsats i AOI-programgenerering, mere end 40 % færre falske opkald og en forbedring på over 5 % i førstegangsudbytte.
Disse tal beskriver projektets erklærede mål, ikke universelle resultater på tværs af alle inspektionssystemer.
Den bredere industriimplikation er, at kunstig intelligens kan hjælpe producenter med at flytte noget ingeniørarbejde opstrøms, så inspektionsforberedelsen kan begynde tidligere og reducere afhængigheden af fysiske prøver under den indledende udvikling.
For producenter, der beskæftiger sig med hyppige produktændringer, kan dette forbedre fleksibiliteten i produktionsforberedelsen og samtidig hjælpe kvalitetsteams med at identificere potentielle problemer tidligere.
Produktionsplanlægning bliver mere tilpasningsdygtig
AI anvendes også til produktionsplanlægning og operationel beslutningstagning.
I Siemens og NVIDIA-projektet kan AI-agenter generere forskellige produktionsscenarier, når der kommer nye ordrer. Disse scenarier kan evalueres i forhold til operationelle krav og præstationsindikatorer, mens en digital tvilling hjælper med at validere foreslåede planer før implementering.
Dette har betydning, fordi produktionsbetingelserne sjældent forbliver konstante. Materialemangel, ændringer i ordreprioriteter, kapacitetsbegrænsninger og skiftende leveringskrav kan alle påvirke produktionsplanerne.
Traditionelle planlægningsprocesser kan kræve væsentlig manuel koordinering for at evaluere disse variable. AI-understøttet planlægning kan hjælpe teams med at sammenligne alternativer og hurtigere forstå deres potentielle operationelle konsekvenser.
Siemens oplyser, at dens agentbaserede produktionsplanlægningstilgang kan muliggøre omkostningsbesparelser på op til 20 %.
Værdien er ikke blot brugen af AI til at generere anbefalinger. Det er forbindelsen mellem disse anbefalinger, faktiske produktionsdata og virtuel validering af foreslåede ændringer.
For producenterne skaber dette en mulighed for at gøre produktionsplanlægning mere responsiv uden udelukkende at være afhængig af manuelle analyser eller trial-and-error-justeringer på fabriksgulvet.
Industriel AI afhænger stadig af pålidelig automationsinfrastruktur
På trods af AIs voksende rolle er intelligent fremstilling fortsat afhængig af det fysiske udstyr, der styrer og overvåger produktionen.
PLC'er, I/O-moduler, sensorer, industrielle kommunikationsenheder, drev med variabel frekvens og motorstyringskomponenter fortsætter med at forbinde softwareapplikationer med maskiner og produktionsprocesser.
AI kan hjælpe med at bestemme, hvordan produktionen skal planlægges, identificere potentielle kvalitetsproblemer eller anbefale operationelle justeringer. Fysisk udstyr skal dog stadig udføre kontrolkommandoer, indsamle signaler og opretholde de nødvendige driftsbetingelser.
Denne sondring er især vigtig for fabrikker, der introducerer kunstig intelligens i eksisterende produktionsmiljøer.
Mange faciliteter driver udstyr fra forskellige generationer med etablerede styresystemer, der understøtter maskiner, der ikke kan udskiftes på én gang. Nye digitale applikationer skal derfor sameksistere med installeret automationshardware, industrielle netværk og eksisterende produktionsprocedurer.
Modernisering sker ofte gradvist. En producent kan introducere ny inspektionssoftware, mens den bibeholder eksisterende kontroludstyr, eller forbedre produktionsplanlægningen uden at erstatte de underliggende PLC'er ogkører.
Efterhånden som industriel AI udvides, vil evnen til at integrere nye muligheder med eksisterende automationsinfrastruktur forblive en vigtig overvejelse.
Vedligeholdelse og udskiftningsplanlægning er fortsat afgørende
Den voksende integration af produktionssystemer gør også udstyrspålidelighed og vedligeholdelsesplanlægning vigtig.
Et produktionsmiljø kan kombinere digital inspektion, automatiseret håndtering, industrielle controllere, kommunikationsnetværk og drivsystemer. En fejl i én komponent kan afbryde driften af tilsluttet udstyr eller påvirke produktionen længere nedstrøms.
For vedligeholdelses- og indkøbsteams betyder det, at digital transformation ikke eliminerer behovet for etableredeautomations reservedele.
PLC'er, I/O-moduler, drev, relæer, sensorer ogkommunikationskomponenterkan forblive i drift gennem flere faser af fabrikkens modernisering. Når udstyr skal repareres eller udskiftes, kan identifikation af den korrekte model og sikring af kompatible komponenter hjælpe med at reducere unødvendig nedetid.
Producenterne står derfor over for to parallelle prioriteter: at indføre nye digitale muligheder og vedligeholde det udstyr, der understøtter den nuværende produktion.
Pålidelig indkøb af reservedele forbliver relevant, selvom flere fremstillingsprocesser bliver AI-assisteret.
Fra virtuel forberedelse til adaptiv fremstilling
Siemens- og NVIDIA-udviklingen viser, hvordan industriel kunstig intelligens begynder at forbinde flere stadier af fremstillingen, herunder produktionsforberedelse, inspektion, planlægning og operationel beslutningstagning.
Digitale tvillinger giver en virtuel repræsentation af produkter og fabriksprocesser. AI kan bruge denne kontekst til at generere træningsdata, evaluere alternativer og støtte planlægningsbeslutninger. Etableret automationsudstyr forbliver derefter ansvarligt for at kontrollere fysiske processer og forbinde disse beslutninger med produktionen.
Fremgangsmåden er ikke en universel erstatning for konventionel automatisering, og en fabriksdemonstration fastslår heller ikke, at fuldstændig autonom fremstilling allerede er praktisk overalt.
I stedet illustrerer det et gradvist skift i retning af produktionssystemer, der kombinerer virtuel validering, AI-støttede beslutninger og etablerede industrielle kontrolteknologier.
For producenter er den næste udfordring at bestemme, hvor disse egenskaber giver målbar værdi, hvordan de kan integreres i eksisterende operationer, og hvordan hele systemet kan vedligeholdes pålideligt.
Efterhånden som industriel kunstig intelligens rykker tættere på den daglige fabriksdrift, vil kombinationen af intelligent software, pålidelig automatiseringshardware og effektiv vedligeholdelsespraksis forblive central for produktionsydelsen.