Publiziert am 26. Oktober 2020 von unter: ,

Künstliche Intelligenz in der industriellen Praxis

Der Einsatz Künstlicher Intelligenz (KI) im Industrial Internet of Things (IIoT) ist ein wichtiger Trend in der Industrieproduktion. Unternehmen erhöhen damit die Effizienz ihrer Prozesse und beschleunigen Abläufe – etwa für die Wartung oder Umrüstung von Maschinen. Die q.beyond AG hat sich an aiXbrain beteiligt, einem Start-up für Künstliche Intelligenz und arbeitet an der Integration von KI-Technologien in die eigenen IoT-Lösungen – als Basis von Produkten für die Industrie 4.0.

Was ist IO-Link?

  • IO-Link verbindet Sensoren existierender oder neuer Maschinen mit der Cloud.
  • In Maschinen vorhandene Steuerungsnetze sind über die Y-Weiche nutzbar.
  • Das Protokoll überträgt auch große Datenmengen und ist beliebig skalierbar.
  • Für die Industrieproduktion, aber auch für viele andere Branchen geeignet.

Die Grundlage des IIoT stellen Sensoren dar: Sie ermitteln und übertragen Maschinendaten wie Temperatur, Vibration oder Energieaufnahme. Die zum Teil dabei auftretenden sehr großen Datenmengen sowie Echtzeitaspekte erfordern die Erfassung und Interpretation der Daten direkt an der Maschine, bevor die Ergebnisse dieser Auswertung in die Cloud übertragen werden, um weitergehende Entscheidungen auf Basis dieser Daten zu treffen. Die Messwerte werden z.B. mit dem Protokoll IO-Link für ein Retrofit durch ein sog. Edge Gateway (i.e. ein Mikrorechenzentrum an der Maschine) am Rand des Netzwerkes und anschließend via Internet in die Cloud weitergeleitet.

Die KI-Nutzung ist dann der logische nächste Schritt bei der Optimierung der Produktion. Dabei richtet sich KI nicht nur an Fertiger, sondern vor allem an die Hersteller von Werkzeugmaschinen und Industrieanlagen.

 

Mustererkennung mit Machine Learning

Diese Betriebe sind in der letzten Zeit dazu übergegangen, ihre Geräte zu vernetzen und mit einem EdgeGateway an das IoT anzuschließen. Viele KI-Anwendungen für die Industrie arbeiten damit, um die kurzen Antwortzeiten des lokalen Netzwerks auszunutzen und große Datenmengen zu verarbeiten. Das Gateway versendet dann nur noch Analyseergebnisse in die Cloud. Da einige Lösungen größere IT-Ressourcen benötigen, gibt es auch KI-Szenarien mit einem hohen Anteil von Cloud Computing.

Ein wichtiges Element der Künstlichen Intelligenz ist Machine Learning. Das Grundprinzip: KI erkennt dank lernfähiger Algorithmen Muster und Korrelationen in den Daten und kann sie bestimmten Kategorien zuordnen. Damit dies gelingt, wird die Künstliche Intelligenz mit vorkategorisierten Daten trainiert – zum Beispiel Maschinenzuständen. Mit diesem maschinellen Lernen lassen sich anhand von Sensordaten Abweichungen erkennen. Sichtbar werden sie zum Beispiel über ungewöhnliche Temperaturen, Schwankungen in der Stromaufnahme oder auffällige Vibrationen. Machine-Learning-Modelle erkennen diese Merkmale und damit verbundene Trends in der Anlage, bevor sie eine Störung auslösen.

 

Roboter macht Kaugummiblase

Aufbau und Betrieb von KI-Lösungen erfordert sehr spezifisches Know-how, das in vielen mittelständischen Unternehmen nicht ohne weiteres vorhanden ist Bild: © Westend61 / Getty Images

Anomalien erkennen und Rüstzeiten berechnen

Aufgrund dieser Anomalie-Erkennung lassen sich automatisiert Gegenmaßnahmen einleiten. Ein weiterer Ausbau dieses Verfahrens des sogenannten Condition Monitoring von Industriemaschinen führt zu Predictive Maintenance. Bei dieser vorausschauenden Instandhaltung gibt es keine festen Intervalle für die Wartung mehr. Die KI-Anwendung überwacht die Maschinen permanent und macht die Betreiber auf Abweichungen von normalen Werten aufmerksam, die auf eine zukünftige Störung hinweisen. Erst dann wird ein Techniker eingesetzt. Das spart Zeit und Personalkosten.

Weiteres Potenzial bietet die Technologie für optimierte Rüstzeiten. Die Zusammenhänge zwischen vorheriger Nutzung und dem Aufwand für Umbau, Konfiguration und Beschickung mit neuem Rohmaterial sind mit Machine-Learning-Modellen besser vorhersehbar. Das System berechnet eine möglichst kurze Umrüstzeit für die Maschinen und vermeidet so überflüssigen Stillstand. Dadurch kann ein Produzent seine Anlagen optimal auslasten

 

Materialfluss planen und Transport optimieren

Ebenso interessant für Fertiger ist die Feinplanung und Echtzeitsteuerung des Materialflusses. Hierfür wertet die KI-Anwendung Informationen über Maschinen und Mitarbeiter aus. Dazu gehören unter anderem die Arbeitsgeschwindigkeit der Maschinen, Möglichkeiten der Maschinenbelegung, die Schichtfolge der Mitarbeiter sowie deren Arbeitsleistung. Die optimierte Planung gibt genau an, wann welche Maschinen mit welchen Materialmengen bestückt werden müssen.

Künstliche Intelligenz lässt sich auch für weitere Optimierungen in der Industrieproduktion einsetzen. So verbessert ein Zulieferer für die Autoindustrie mit KI die Paketierung seiner Produkte für den Transport. Dabei werden Europaletten so bestückt, dass Transportvolumen und Menge pro Kunde an die Transportkapazität der Lieferfahrzeuge angepasst sind. Weil nun pro Lastwagen das vorhandene Volumen besser ausgenutzt wird, sinken die Transportkosten.

 

Was ist Edge Computing?

Beim Edge Computing geht es um ressourcenschonende Verarbeitung von Maschinendaten. Diese Merkmale zeichnen die Methode aus:

  • Rechenkapazität wird am Rand (Edge) des Netzwerks, in der Regel vor der Firewall, zur Verfügung gestellt – in sogenannten Edge Gateways, Minicomputern, die direkt an der Maschine installiert werden
  • Datenaufbereitung und Herausfiltern wichtiger Informationen ebenfalls direkt an der Maschine
  • Verarbeitung auch großer Datenmengen mit geringer Latenzzeit lokal und nahezu in Echtzeit
  • Entlastung der Internetverbindung in die Cloud, wodurch weniger Bandbreite erforderlich ist
  • Verfügbar auch dann, wenn das Netzwerk oder Teile davon ausfallen
  • Datensicherheit: Sensible Daten werden nicht über das Netzwerk versendet, sondern bleiben im abgesicherten Bereich des eigenen Unternehmens
  • Flexibilität, d.h. Skalierbarkeit, da bei Engpässen zusätzliche Devices rasch bereitgestellt werden können.

Umsetzung in drei Schritten

Lösungen dieser Art werden in drei Schritten umgesetzt:

  • An erster Stelle steht eine Analyse der vorhandenen Daten. Das Unternehmen muss wissen, welche dieser Daten zum KI-Szenario passen und ob weitere Sensoren notwendig sind. Auch die Prozesse müssen auf den Prüfstand, sie müssen sich für die Automatisierung eignen. Das Unternehmen sollte zudem konkrete Ziele und messbare Vorgaben für den KI-Einsatz definieren, damit der Projekterfolg leichter festgestellt werden kann. Und zum Schluss muss ein physikalisches Modell der Anlage entwickelt werden, das der Datenanalyse zu Grunde liegt. Eine reine Datenanalyse ohne Wissen über die Anwendung selbst liefert keine verwertbaren Ergebnisse.

 

  • Im zweiten Schritt wird das Machine-Learning-Modell trainiert. Dabei werden historische Daten als Grundlage genutzt, die in zwei Teile aufgespalten werden. Die größere Datenmenge dient als Beispiel für das Training. Mit dem kleineren Teil wird das trainierte Modell überprüft.

 

  • Der dritte Schritt schließlich ist das Ausrollen der Lösung als Managed Service, die auch Administration und Support umfasst.

 

Industrie 4.0 braucht den Technologiemix aus IIoT und KI 

Aufbau und Betrieb von KI-Lösungen erfordert sehr spezifisches Know-how, das in vielen mittelständischen Unternehmen nicht ohne weiteres vorhanden ist. aiXbrain und q.beyond haben sich für eine enge Zusammenarbeit entschieden, um damit ihren Industriepartnern eine umfassende Dienstleistung anzubieten – von der Beratung über die Entwicklung bis zum Betrieb.

 

Weitere Beiträge zum Thema:

Drucken

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

*

Um die Diskussionsqualität zu wahren, veröffentlichen wir nur noch Kommentare mit nachvollziehbarem Vor- und Nachnamen sowie authentischer E-Mail-Adresse.