Automatisierung mit Intelligenz – KI und IoT in der Industrie

Anbieter zum Thema

aiXbrain GmbH

MicroConsult Academy GmbH

MES Electronic Connect GmbH & Co. KG

Syslogic GmbH

Industrie und produzierendes Gewerbe wollen die Flexibilität von Maschinen und Anlagen erhöhen. Mit Künstlicher Intelligenz lassen sich Produktionsprozesse auf Knopfdruck und in Echtzeit steuern.

Vernetzung mit dem Industrial IoT ist ein wichtiger Trend in Industrieproduktion, Automatisierungstechnik und Maschinenbau. In diesen Branchen erhalten die Produkte mehr Intelligenz, etwa für datengestützte Analysen mit Hilfe von Machine Learning. Dabei werden lernfähige Algorithmen eingesetzt, mit denen Fertiger ihre Maschinen überwachen. Sie erkennen anhand der Messdaten automatisch, wann beispielsweise der Austausch von Verschleißteilen notwendig ist – bevor eine Störung eintritt.

Dieses Szenario basiert auf einer Reihe von technischen Voraussetzungen, unter anderem dem Einsatz von Sensoren und Aktoren. Sensoren ermitteln Maschinendaten wie Temperatur, Stromaufnahme oder Vibration. Die Aktoren stellen Parameterwerte ein oder führen Aktionen aus, etwa mit Schrittmotoren. Beide Komponenten sind in den meisten Fällen bereits in den Maschinen vorhanden und werden von den SPS-Systemen (Speicherprogrammierbare Steuerungen) für die Kontrolle der Anlagen auf dem Shopfloor genutzt.

Machine Learning ist eine typische IT-Anwendung aus dem Bereich der Künstlichen Intelligenz (KI) und erfordert möglichst viele Daten über passende Schnittstellen. Daran fehlt es jedoch, denn herkömmliche SPS senden lediglich einen kleinen Teil der potenziell verfügbaren Daten in die IT. Daher ist es sinnvoll, wenn die Sensoren das Kommunikationsprotokoll IO-Link nutzen. Dieser Standard wurde vor gut einem Jahrzehnt speziell für die Verknüpfung von Industrieanlagen mit der IT definiert.

Über die Zeit – Sensoren messen typischerweise in Millisekunden – und durch die Masse der Messpunkte – zum Beispiel 20.000 Sensoren in einer einzigen Stahlwalzanlage – entstehen immer größere Datenmassen. Diese Daten erreichen nun via IO-Link ein Edge-Gateway am Rand des IT-Netzwerks. Es dient als Sammelstation und Zwischenspeicher für die Daten beliebig vieler Sensoren. Oft werden die Daten dort auch vorverarbeitet und Parametersätze zur Sensorik weitergegeben. Dabei ist die Cloud die Steuerzentrale, die dem Edge-Gateway vorgibt, welche Daten wie lange und mit welcher Vorverarbeitung vorgehalten werden sollen.

IO-Link verbindet Maschinen mit der IT

Der Grund für diese Aufgabenteilung zwischen Edge und Cloud: Um die Netze nicht zu überlasten und eine durchgehend performante Datenübertragung zu garantieren, sollten die gesamten Datenmassen nicht ungefiltert in die Cloud gehen. Deshalb müssen Edge-Devices ausreichend Rechenkapazität vor Ort besitzen. Ein Beispiel: Messdaten von Sensoren sind oft nur dann interessant, wenn sie sich verändern. Deshalb ist es sinnvoll, nur die Änderungen in die Cloud zu senden. Dafür baut das Edge-Gateway eine sichere, verschlüsselte Datenverbindung auf – via Ethernet, Mobilfunk, WLAN oder anderen Funktechnologien.

Da die einzelnen Maschinen und ihre Sensoren selbst nicht an das Internet angeschlossen sind, bietet das Edge-Gateway auch einen zusätzlichen Schutz vor Cyberangriffen. Die Rechenkapazität vor Ort kann für unterschiedliche Aufgaben genutzt werden, nicht nur für die reine Filterung der Daten. So ist es zum Beispiel möglich, bereits einzelne Analytics-Komponenten in der Edge zu betreiben, um Daten zu aggregieren.

Für KI-Anwendungen hat die Arbeit auf dem Edge-Gateway Vorzüge gegenüber der Cloud. Denn bei der Vernetzung mit einem fernen Rechenzentrum sind hohe Latenzzeiten und gelegentliche Verbindungsabbrüche nicht zu vermeiden. Dies würde die Reaktionszeit der Anwendungen verlängern und somit viele Aufgaben unmöglich machen, etwa die rasche Alarmierung bei Störungen. Allerdings erfordern KI-Lösungen große Mengen an Rechenkapazität und Speicherplatz. Zumindest für Datensammlung, Training, Tests und weitere Analysen, die im Rechenzentrum erfolgen.

Ein fertig trainiertes KI-Modell belegt hingegen nur wenig Speicherplatz und arbeitet im Einzelfall sogar auf Kleinrechnern wie dem Raspberry Pi in Beinahe-Echtzeit. Viele Edge-Devices bieten die Rechenkapazität und den Speicherplatz eines typischen Servers und besitzen somit ausreichend Ressourcen, um eine KI-Anwendung sowie weitere Software-Module auszuführen. Die Cloud-Verbindung wird von der KI-Lösung nur für zwei Zwecke benutzt: das Versenden von zusammenfassenden Analysen und das Empfangen von aktualisierten KI-Modellen

Machine Learning für Anomalie-Erkennung und Optimierung

Durch den kurzen Dienstweg von der Maschine zur Edge können KI-Lösungen in der Industrieproduktion eine Vielzahl an Aufgaben erfüllen. Dazu gehört die Anomalie-Erkennung: Störungen und Ausfälle werden vermieden, indem die KI frühzeitig die ersten Anzeichen erkennt. Ein weiteres Anwendungsgebiet ist die Vorhersage von Rüstzeiten. Die Zusammenhänge zwischen vorheriger Nutzung und dem Aufwand für Umbau, Konfiguration und Beschickung mit neuem Rohmaterial sind mit Maschine-Learning-Modellen gut vorhersehbar.

Künstliche Intelligenz lässt sich auch für weitere Optimierungsprobleme in der Industrieproduktion einsetzen. So nutzt beispielsweise ein großer Zulieferer für Elektromobilität KI-Verfahren, um die Paketierung seiner Produkte zu optimieren. 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.

Die KI-Anwendung in der Produktion ausrollen

Die Implementierung solcher Lösungen erfolgt in drei Schritten. Zuerst werden die vorhandenen Daten analysiert. Das Unternehmen muss genau feststellen, wie viele verwertbare Daten bereits vorhanden sind und ob noch zusätzliche Sensoren notwendig sind. Auch sollten alle Prozesse auf Eignung für eine Automatisierung untersucht werden. Zudem muss das Unternehmen definieren, welche konkreten Ziele mit der KI-Lösung erreicht werden sollen. Messbare Vorgaben zu definieren ist dabei eine entscheidende Herausforderung, an der Digitalisierungsvorhaben auf lange Sicht auch scheitern können.

Im zweiten Schritt wird auf Basis dieser Analyse das eigentliche Maschine-Learning-Modell gestaltet. Es nutzt genau diejenigen Daten aus dem Gesamtbestand, die zur Zielerreichung notwendig sind. Der dritte Schritt schließlich ist das Ausrollen der Lösung als Managed Service (siehe Kasten). Denn die Lösung besteht nicht nur aus dem fertig trainierten Modell in der Edge, sondern bietet auch eine Plattform zur Verwaltung der Gateways und der darauf liegenden Software. Damit lassen sich zum Beispiel Machine-Learning-Modelle jederzeit überwachen und aktualisieren.

Entscheidend für das Funktionieren der Lösung ist der zweite Schritt. Hierbei geht es in erster Linie um die Konstruktion eines Maschine-Learning-Modells. Voraussetzung dafür ist ein ausreichend großer Bestand an historischen Daten, der möglichst viele der später in der Produktion auftretenden Effekte enthält. Dieser Datensatz wird zunächst geteilt. Mit einem Teil wird das Modell trainiert, mit dem anderen getestet.

Maschinelle Lernverfahren für die industrielle Fertigung

Im Idealfall kann Aixbrain das Prinzip des "Supervised Learning" anwenden. Dieses Verfahren basiert auf bereits kategorisierten Daten, die jeweils ein bestimmtes Label tragen. Am einfachsten lässt sich das an der Bilderkennung erklären: Für das Training werden zum Beispiel Fotos von LKW und PKW entsprechend gekennzeichnet. Durch eine große Zahl solcher Fotos lernt das Modell, beides zu unterscheiden. Nach einer gewissen Zeit des Trainings kann das Modell auf beliebigen Fotos LKW und PKW unterscheiden. Dieses Verfahren erfordert in der Industrieproduktion genaue Daten über den Normalzustand des Systems und davon abweichende Zustände wie kritische Fehler, Erkennungsmerkmale von Störungen oder unerwünschte Messwerte.

Durch das Training wird das Modell nun darauf ausgerichtet, die entsprechenden Systemzustände zuverlässig in einem sehr frühen Stadium wiederzuerkennen. Dieses Verfahren ist im Moment das erfolgreichste und lässt sich vergleichsweise leicht implementieren. Eine für die KI etwas aufwändigere Variante ist "Unsupervised Learning". Hierbei beobachtet das KI-System über einen langen Zeitraum hinweg alle Systemzustände einer Maschine oder Anlage. Eine Clusteranalyse ermittelt dann unterschiedliche Betriebspunkte – im Grunde nur Ballungen von Messwerten. Die Mitarbeiter des Unternehmens müssen diesen dann im Nachgang eine Bedeutung geben, die den Labels beim Supervised Learning entsprechen. Dieses zweistufige Verfahren kann den Mitarbeiteraufwand des Unternehmens bei KI-Vorhaben oftmals erheblich senken.

Nächster Halt: Prozess-KI für die Industrie

Trotz der aktuellen technischen Möglichkeiten nutzen nach Zahlen des Zentrums für Europäische Wirtschaftsforschung (ZEW) lediglich fünf Prozent der deutschen Unternehmen KI in größerem Umfang. Doch das Thema ist im Trend; ein gutes Drittel der Unternehmen rechnet innerhalb der nächsten zehn Jahre mit einem verstärkten Einsatz von KI, vor allem im Bereich der Prozessautomatisierung. Die bisher geschilderten Anwendungsgebiete betreffen die Maschinen-KI, die mit maschinennahen Daten arbeitet.

Diesen Beitrag lesen Sie auch in der Fachzeitschrift ELEKTRONIKPRAXIS Ausgabe 11/2020 (Download PDF)

Die nächste Stufe der industriellen KI-Anwendung ist die Prozess-KI. Hierbei werden Daten aus allen Maschinen und Prozessen eines Unternehmens zusammengeführt und bei Bedarf mit externen Daten wie Verkehr, Wetter oder Wirtschaftslage ergänzt. Eine solche Lösung kann komplexe Koordinationsprobleme über Beschaffung, Vertrieb und Logistik hinweg lösen. Dadurch entstehen weitreichende Möglichkeiten der Prozessautomatisierung, die für die Unternehmen einen entscheidenden Schritt in Richtung Smart Factory bedeuten.

* Dr. Alexander Engels ist Gründer und Geschäftsführer von Aixbrain in Aachen.

(ID:46551595)