Effizienzsteigerung durch Künstliche Intelligenz – schnelle Fehleranalyse und sprachgestützte Assistenz am Beispiel der Batterieproduktion

Ausgangssituation

Elektrofahrzeuge benötigen leistungsstarke und zugleich kosteneffiziente Batteriesysteme. Aktuell entfallen rund 30 % der Herstellungskosten eines E-Autos auf die Batterieproduktion.

In den kommenden Jahren müssen je nach Fahrzeugmodell unterschiedliche Batteriesysteme in die Serienfertigung überführt werden – ein komplexer Prozess, bei dem die schnelle Erreichung von Prozessstabilität entscheidend ist.

Batteriesysteme bestehen aus zahlreichen Einzelkomponenten (z. B. Batteriezellen, Kühlsystem, Ladecontroller, Kontakte, Rahmen etc.), die in vielen aufeinanderfolgenden Produktionsschritten montiert werden.

Bereits kleinste Fehler führen zu Nacharbeit an halbfertigen Systemen oder zu Ausschuss – mit erheblichen Auswirkungen auf die Gesamtkosten der Batterieproduktion.

Die Minimierung von Nacharbeit und Ausschuss durch eine schnelle, datengetriebene Optimierung des gesamten Fertigungsprozesses ist damit ein zentraler Hebel für die wirtschaftliche Herstellung von E-Fahrzeugen.

Lösungsansatz

Moderne Fertigungsprozesse und datenbasierte Analysen ermöglichen eine ganzheitliche Sicht auf die gesamte Wertschöpfungskette der Batterieproduktion. Prozessingenieur:innen und andere Nutzergruppen erhalten KI-gestützte Empfehlungen zu möglichen Fehlerursachen sowie konkrete Hinweise zur Prozessoptimierung.

Fragen aus unterschiedlichen Fachbereichen werden innerhalb von Sekunden durch KI-Agenten (Chatbots) beantwortet – basierend auf nutzerorientierten Daten, Texten und Visualisierungen. So lassen sich Prozesse gezielt verbessern und die Produktionskosten nachhaltig senken.

Künstliche Intelligenz und Machine Learning – von der Sensorüberwachung bis zur Mensch-Maschine-Kommunikation – ermöglichen eine kontinuierliche, zeiteffiziente Verbesserung der Geschäftsprozesse.

Cloudbasierte Analysedienste überwachen Trends in Metrik- und Bilddaten, kommunizieren mit anderen IT-Systemen und reagieren automatisiert auf Abweichungen.

Darüber hinaus erkennen die Systeme auch unerwartete Abweichungen in Metrik- und Bilddaten und melden diese frühzeitig.

Zur Senkung der Betriebskosten im Bereich IT/Data Science können Wartungszyklen für KI-Modelle automatisiert werden. Unsere Designrichtlinien sorgen dabei für hohe Konformität und Akzeptanz.

Technologische Eckpunkte

Capgemini entwickelt diese Fehlererkennungssysteme auf Basis von AWS Cloud-Diensten wie Sagemaker (KI) und Bedrock (generative KI). Der Fokus liegt auf der Analyse bestehender Prozesse ohne Eingriffe in die organisatorischen Strukturen des Unternehmens.

Daten aus verschiedenen IT-Systemen (ERP, MES, Maschinensteuerung/PLC) werden in Echtzeit und in unterschiedlichen Formaten entlang des gesamten Produktionsprozesses überwacht. Schwachstellen werden schnell identifiziert und kontextgerecht – je nach Rolle, Sprache und Verantwortungsbereich – erklärt.

In Zusammenarbeit mit AWS legt Capgemini besonderen Wert auf die verständliche, sprachlich präzise Aufbereitung analytischer Ergebnisse unter Verwendung der unternehmensspezifischen Fachterminologie und in jeder gewünschten Landessprache.

Fehlerursachen können so interdisziplinär beseitigt und neue Störungen vermieden werden. Zum Einsatz kommen moderne Analyseverfahren aus den Bereichen Machine Learning, Computer Vision und Künstliche Intelligenz.

Zentrale Elemente und Vorteile einer ganzheitlichen Prozessanalyse

  1. Wettbewerbsfähige Batterieproduktion
    Durch Datenintegration, Anomalieerkennung und KI-gestützte Prozessoptimierung werden die Produktionskosten signifikant gesenkt. 
  2. End-to-End-Fehlerursachenanalyse
    Automatisierte Ursachenbestimmung über alle relevanten Informationen und Formate hinweg – für eine schnelle Identifikation von Abweichungen in den Produktionsschritten.
  3. Reduktion von Nacharbeit und Ausschuss
    Fehlerquellen werden frühzeitig erkannt und vermieden – durch datenbasierte Optimierung des gesamten Produktionsprozesses.
  4. Echtzeit-Empfehlungen für Prozessingenieur:innen
    Fortschrittliche Machine-Learning-Algorithmen liefern verwertbare Hinweise zu Fehlerursachen und Optimierungspotenzialen.
  5. Automatisierte, nutzerfreundliche Kommunikation via KI-Agenten
    KI-Systeme übersetzen technische Berichte in verständliche Botschaften – individuell zugeschnitten auf verschiedene Nutzergruppen und rund um die Uhr verfügbar.
  6. Integration vielfältiger Datenquellen
    Die Lösung verarbeitet Daten aus ERP-, MES-Systemen, Maschinensteuerungen und weiteren Formaten – für eine umfassende Sicht auf Veränderungen im Produktionsprozess.

Unsere Kompetenzen

Capgemini ist ein globaler Business- und Technologie-Transformationspartner für Organisationen. Das Unternehmen unterstützt diese bei ihrer dualen Transformation für eine stärker digitale und nachhaltige Welt – stets auf greifbare Fortschritte für die Gesellschaft bedacht. Capgemini ist eine verantwortungsbewusste, diverse Unternehmensgruppe mit einer über 55-jährigen Geschichte und 350.000 Mitarbeitenden in mehr als 50 Ländern. Kunden vertrauen auf Capgemini, um das Potenzial von Technologie für die ganze Breite ihrer Geschäftsanforderungen zu erschließen. Capgemini entwickelt mit seiner starken Strategie, Design- und Engineering-Expertise umfassende Services und End-to-End-Lösungen. Dabei nutzt das Unternehmen seine führende Kompetenz in den Bereichen KI, generative KI, Cloud und Daten sowie profunde Branchenexpertise und sein Partner-Ökosystem. Die Gruppe erzielte 2024 einen Umsatz von 22,1 Milliarden Euro.

Entwickelt in Zusammenarbeit mit AWS

Capgeminis End-to-End-Prozessoptimierung basiert auf der AWS Cloud und nutzt eine skalierbare, modulare Architektur mit bewährten Funktionen zur kontinuierlichen Analyse von Fertigungsprozessen – von Laserschweißen, Verschrauben, Kleben und Nieten bis hin zur Gigafactory.

Die Lösung unterstützt Datenmanagementprozesse und ermöglicht eine zeiteffiziente Erweiterung auf weitere Advanced-Analytics-Anwendungsfälle.

Unser Ziel ist es, Versorgungsunternehmen und Hersteller mit ähnlichen Herausforderungen dabei zu unterstützen, die komplexen Datenströme aus Fertigungsprozessen – inklusive Netz- und Kundensystemen – besser zu verstehen. Dafür setzen wir auf Architektur, Cloud-Support, plattformbasierte Geschäftsprozesse, Datenmodelle und KI-basierte Erkenntnisse.