Mess- und Prüftechnik mit KI „Stärkere Vernetzung der Prüfsysteme und eine Zentralisierung von Daten“

Anbieter zum Thema

National Instruments Germany GmbH

MicroConsult Academy GmbH

MES Electronic Connect GmbH & Co. KG

dataTec AG

Künstliche Intelligenz und Methoden des maschinellen Lernens sollen verstärkt Einzug in die Mess- und Prüftechnik halten. Das plant der Automatisierungsspezialist Emerson. Wie das gelingen kann, verraten vier Experten.

Automatisierung, Präzision oder Vorhersage und Ursachenanalyse: Wer in der Mess- und Prüftechnik unterwegs ist, will Messdaten intelligent und schnell auswerten und analysieren. Seit der Integration von National Instruments in die Test and Measurement Division von Emerson stärkt das Unternehmen seine Kernsoftwareprodukte, darunter LabVIEW. Auf der letzten NI Connect 2024 stellte Emerson seine neuesten Entwicklungen vor. Das Thema künstliche Intelligenz spielt dabei eine entscheidende Rolle.

Im Gespräch mit vier Experten von Emerson geben sie einen Ein- und Ausblick auf die künftigen Prüf- und Messprodukte mit KI-Tools.

Michael Phillips, Charles Schroeder, wie kann maschinelles Lernen dazu beitragen, die Testzeiten und -kosten zu optimieren?

Michael Phillips: Auf der Grundlage von Informationen über die zu testende Ausrüstung, die durchgeführten Tests, den Zustand der Ausrüstung und die Testergebnisse lassen sich mit Methoden des maschinellen Lernens (ML) wichtige Tests identifizieren und die Ausfallzeiten der Ausrüstung minimieren. ML-Techniken können zudem eingesetzt werden, um die Planung von Geräten und Bedienern zu verbessern. Das wiederum führt zu einer effizienteren Nutzung der eingesetzten Ressourcen.

Charles Schroeder: Wir sehen vier Hauptanwendungsfälle für KI und maschinelles Lernen zur Optimierung von Testzeiten und Testkosten:

Durch die Automatisierung manueller, wenig wertschöpfender Tätigkeiten eines Testingenieurs kann maschinelles Lernen die Produktivität und damit die Kosten und die Markteinführungszeit der Testentwicklung und -ausführung verbessern. Darüber hinaus senkt maschinelles Lernen die Betriebskosten durch den optimierten Einsatz von Personal und Testsystemkapital. Gleichzeitig verbessert sich die Effizienz der Testteams.

Durch eine bessere Analyse von F&E- und Produktionstestdaten kann maschinelles Lernen die Qualität und die Produktionsausbeute verbessern und die Kosten für Produkttests senken. Wird künstliche Intelligenz in die Hardware von Messgeräten integriert werden Testsysteme leistungsfähiger, da sie Fehler oder potenzielle Probleme in Echtzeit erkennen können.

Welche Hardwareanforderungen ergeben sich aus dem Einsatz von KI in Testsystemen?

Michael Phillips: Für den Einsatz von künstlicher Intelligenz in Testsystemen ist eine spezielle Hardware-Infrastruktur erforderlich. Sie speichert und verwaltet die Messdaten. KI/ML-Modelle benötigen spezielle Hardware zur Unterstützung der Inferenz (NPUs/GPUs), die je nach Latenz und Datenschutzerwägungen lokal, vor Ort oder in der Cloud gehostet werden kann.

Charles Schroeder: Künstliche Intelligenz in Testsystemen wird auch eine bessere Datenverwaltung, -kontrolle und -speicherung ermöglichen. Hierfür werden wahrscheinlich gemeinsam genutzte, vernetzte Speicher vor Ort oder in der Cloud erforderlich sein.

Verteiltes klassisches und neuronales Rechnen mit CPUs und GPUs/NPUs arbeiten zusammen wie die linke und rechte Gehirnhälfte des Menschen. Während CPUs heute in Testsystemen üblich sind, müssen die neuronalen Recheneinheiten hinzugefügt werden. Diese können von einer kleinen NPU, die in die Hardware des Messgeräts eingebettet ist, über Prozessoren der Desktop-Klasse, wie wir sie in den neuen Co-Pilot-PCs sehen, bis hin zu großen serverbasierten GPUs von führenden Anbietern wie Nvidia reichen. Alle Komponenten werden je nach den Anforderungen der jeweiligen Anwendung benötigt.

Michael Phillips, wie lassen sich Datensicherheit und -integrität beim Einsatz von KI-gestützten Testsystemen gewährleisten?

Sie müssen Ihren Daten- und Modell-Workflow verstehen. Dazu gehört auch, dass die Daten bei der Modellschulung und bei Inferenzaufgaben verwendet werden. Verfolgen Sie die Herkunft der Daten und wie Anbieter Ihre Daten nutzen können. Stellen Sie sicher, dass die Eigentumsverhältnisse der Daten während des gesamten Workflows klar sind. Wenn Sie beispielsweise ein in der Cloud gehostetes LLM verwenden, sollten Sie wissen, ob der Anbieter zukünftige Modelle auf Ihren Prompts trainieren darf.

Datenanalyse und Datenverarbeitung

Michael Phillips, Kevin Kleine, welche Daten müssen gesammelt werden, um effektives maschinelles Lernen für Tests zu ermöglichen?

Michael Phillips: Neben den Testergebnissen selbst sind viele andere Formen von Daten wertvoll, um effektives maschinelles Lernen für Tests zu ermöglichen. Das fängt bei den zu testenden Anforderungen an. Ebenfalls wertvoll sind Konfiguration des Testsystems, Betriebsdaten und Umgebungsdaten.

Kevin Kleine: Es gibt eine sehr große Bandbreite an Daten, die ein effektives maschinelles Lernen für den Test ermöglichen. Diese Daten reichen von Konstruktionsdaten und Anforderungen über parametrische Validierungsdaten bis hin zu Fertigungsprozessdaten während des gesamten Fertigungsablaufs. Für die volle Leistung von KI/ML ist es entscheidend, dass die Daten systematisch erfasst werden. Dabei sollte der Fokus auf Konsistenz, Struktur und Zugriff liegen. Es sollten auch kontextbezogene Metadaten wie die Testumgebung oder die Konfiguration des Testsystems erfasst werden.

Kevin Schultz, wie kann man sicherstellen, dass die Trainingsdaten repräsentativ für alle möglichen Fehlerszenarien sind?

Das ist eine wirklich gute und schwierige Frage. In Wahrheit hat die Branche noch keine gute Antwort darauf. Aber der derzeitige Stand der Technik lässt sich in zwei Bereiche unterteilen. Zuerst sind das die Daten. Führende Unternehmen verwenden eine Kombination aus realen und synthetischen Daten aus Computersimulationen, um ihre Modelle zu trainieren. Gute Unternehmen verwenden aus Kosten- und Flexibilitätsgründen vor allem synthetische Daten. Sie sind sich dabei auch den Grenzen dieses Ansatzes bewusst und ergänzen die synthetischen Daten mit Daten, die aus realen Messungen gewonnen wurden.

Der zweite Punkt betrifft die Auswahl der Szenarien. Herkömmliche Tests von Nicht-KI-Systemen folgten weitgehend einem Stimulus-Response-Ansatz. Dieser Ansatz ist auf intelligente KI-Systeme nicht anwendbar. Die Auswahl von Szenarien – oder das Testen des Systems in realen Szenarien – ersetzt nach und nach das parametrische Testen. Die reale Welt ist jedoch unendlich variabel. Daher ist es schwierig zu wissen, welche Szenarien die besten Testfälle sind. Es wird daran geforscht, Szenarien zu identifizieren, die das Wissen über die Funktion und das Design des Modells nutzen. Dadurch kann die Anzahl der Testszenarien auf eine überschaubare Anzahl reduziert werden.

Kevin Kleine, wie wird das KI-Modell validiert und welche Messgrößen werden zur Bewertung der Modellleistung verwendet?

Das Benchmarking von KI/ML-Modellen ist wichtig für den erfolgreichen Einsatz. Aufgabenspezifische Testdatensätze werden den Trainingsdaten des Modells vorenthalten. Auf diese Weise kann das Modell an zuvor unbekannten Daten getestet werden. Dadurch wird sichergestellt, dass es die gewünschte Leistung erbringt. Ab einem bestimmten Schwellenwert in den Testdaten kann das Modell dann in der Produktion eingesetzt werden. Evaluierungstechniken für die nachgelagerte Modellleistung sind ein weites Feld und entwickeln sich ständig weiter - spezifische Metriken und Benchmarks können je nach Aufgabe/Domäne stark variieren.

Die praktische Anwendung von KI in Testsystemen

Michael Phillips, wie kann KI in bestehende Testsysteme und Testinfrastrukturen integriert werden?

KI kann in verschiedene Bereiche bestehender Testsysteme integriert werden. Ein Testsystem kann durch generative KI-Funktionen schneller erstellt werden. Zum Beispiel durch die Interpretation von Anforderungen und die Identifizierung von Hard- und Software, mit der die Anforderungen getestet werden können.

KI kann auch in den Betrieb von Testsystemen integriert werden, wo die gesammelten Daten zur Minimierung von Ausfallzeiten und zur Optimierung der Ressourcennutzung genutzt werden können. KI kann in die Analyse von Testergebnissen integriert werden, um mehr Erkenntnisse zu gewinnen als mit statistischen Methoden allein. Schließlich kann KI in die Hardware der Messgeräte integriert werden, um lokale Schlussfolgerungen zu ziehen, die die Qualität und/oder Leistung der Messungen verbessern.

Kevin Kleine, welche spezifischen Testfälle und Szenarien profitieren am meisten von KI-gestützten Methoden?

Datenreiche Testszenarien sind am besten geeignet, um KI-basierte Methoden einzusetzen. Große Datenmengen sind der Treibstoff für eine hohe Leistung von KI/ML-Techniken. Generative KI eröffnet jedoch neue Anwendungsfälle für den Einsatz von KI zur Unterstützung von Testszenarien mit geringeren Datenmengen, von der effizienteren Testentwicklung bis hin zur verbesserten Analyse von Testdaten.

Kevin Kleine, welche Fähigkeiten und Kenntnisse sind erforderlich, um KI-gestützte Testsysteme zu entwickeln und zu warten?

In der Vergangenheit war Fachwissen in den Bereichen Data Science und maschinelles Lernen erforderlich. Mit diesem Wissen können KI/ML-basierte Testsysteme implementiert werden. Das ändert sich jedoch. Sprachmodelle ermöglichen KI-Fähigkeiten mit einer viel niedrigeren Einstiegshürde. Die sich schnell entwickelnde konfigurationsbasierte Software zur Entwicklung von ML-Modellen demokratisiert den Zugang zu dieser Technologie. Unser Ziel ist es, die Entwicklung und Pflege von KI-gestützten Testsystemen so barrierearm wie möglich zu gestalten. Ein gewisses Maß an Schulung und Einarbeitung in neue Arbeitsweisen wird aber natürlich immer notwendig sein.

Michael Phillips: In vielen Fällen sind für die Entwicklung und Wartung von KI-gestützten Testsystemen keine zusätzlichen Fähigkeiten erforderlich, da KI nahtlos in den Arbeitsablauf und die Prozesse des Systems integriert werden kann.

Kevin Schultz, welche zukünftigen Entwicklungen und Trends sind bei den KI-gestützten Testanwendungen zu erwarten?

Wir erwarten eine stärkere Vernetzung von Testsystemen und eine Zentralisierung von Daten, um KI-gestützte Funktionen zu ermöglichen. Testsysteme werden neuronale Verarbeitung auf Geräte- und Systemebene integrieren, so dass KI-Aufgaben und -Daten optimal für die Anforderungen der Testanwendung platziert werden können.

(heh)

Halbleiterfertigung mit KI und ML

Von Chiplets bis Edge Computing: Wie sich eine Testbranche verändert

(ID:50098280)