Anwendungen einfacher und wirtschaftlicher umsetzen TSN als Wegbereiter für KI in der Automatisierung

Anbieter zum Thema

MES Electronic Connect GmbH & Co. KG

ISH Ingenieursozietät GmbH

Precoplat Präzisions-Leiterplatten-Technik GmbH

Künstliche Intelligenz (KI) hat das Potenzial, auch in der Automatisierung ein Game Changer zu sein. Welche Rolle könnten Time Sensitive Networks (TSN) dabei spielen und wie wird der Weg in Zukunft aussehen?

Über Details zu TSN ist schon viel publiziert worden. In diesem Artikel soll es daher um Applikationsbeispiele mit dem Schwerpunkt KI gehen, die von TSN profitieren können. Der Schwerpunkt liegt hier nicht auf Motion Control, sondern auf anderen Anwendungen mit hohem Nutzen für die Technologie. Einige der enthaltenen Beispiele sollen eine Anregung sein, über die Grenzen der heutigen Optionen hinauszudenken.

Die rasante Entwicklung von KI-Werkzeugen, verbunden mit einer signifikanten Beschleunigung der Hardware-Fähigkeiten und integrierten Ethernet-Schnittstellen, eröffnet neue Applikationen und Handlungsfelder. Diese haben allgemein die folgenden Anforderungen:

• Es müssen große Datenmengen aus dem Feld zur KI transportiert werden.

• Die weitergeleiteten Daten sind mit hochgenauen Zeitstempeln zu versehen, damit zum Beispiel eine Zeitreihendatenanalyse durch übergreifende Korrelation realisierbar ist.

• Das Ergebnis der KI-Verarbeitung muss ebenfalls ins Feld zurückwirken können.

Diese Anforderungen lassen sich durch klassisches industrielles Ethernet auf Grundlage der 100Mbit-Technologie nicht oder nur unzureichend erfüllen. An dieser Stelle kommen die Möglichkeiten des Time Sensitive Networkings ins Spiel. Anhand von Beispielen soll erläutert werden, welche Anwendungen mit dem Schwerpunkt KI durch ein konvergentes TSN-Netzwerk umgesetzt oder verbessert werden können (Bild 2).

Kamerabasierte Qualitätskontrolle im laufenden Prozess

In einer Fertigungsmaschine oder Produktionsstraße werden mit speziellen industriellen Kameras (GigE Vision) Bilder vom laufenden Prozess oder von Produkten aufgenommen. Ein auf der Basis des Gutfalls trainierter Machine-Learning-Mechanismus erkennt Qualitätsmängel und steuert den Fertigungsprozess entsprechend. Aktuelle Bildverarbeitungs-Hardware erledigt solche Auswertungen im Zeitbereich von wenigen Millisekunden. Somit ist eine Qualitätskontrolle im laufenden Produktionsprozess möglich. Mehrere Kameras können auch synchronisiert Bilder von einem Werkstück zum exakt gleichen Zeitpunkt erstellen. Dies erlaubt dann unter anderem 3D-Berechnungen oder Zeitreihenanalysen. Eine Trennung von Kamera- und Steuerungsnetzwerk ist nicht mehr erforderlich. Da der Auswertealgorithmus auf einer externen Hardware läuft, kann er flexibel an unterschiedliche Produkte und Bedingungen angepasst werden. Industrial-Vision-Applikationen benötigen viel Bandbreite. Abhängig von der Auflösung und Aktualisierungsrate summiert sich der Wert schnell auf mehrere 100 Mbit/s. Außerdem werden in Vision-Anwendungen sogenannte Jumbo-Frames verwendet, die besonders vom TSN-Mechanismus Preemption profitieren. Aus diesem Grund sind konvergente Netze in Vision-Applikationen derzeit eher die Ausnahme, was sich mit TSN ändern könnte (Bild 3).

Vorbeugende Wartung für große Maschinen

Der Einsatz im Bereich von Predictive Maintenance soll am Beispiel von großen Antrieben erklärt werden. Sensoren im oder am Motor messen Temperatur- und Vibrationsdaten. Ein Leistungsmessgerät ermittelt darüber hinaus den jeweiligen Energiebedarf des Motors. Damit wird ein KI-Modell für den Normalbetrieb des Motors auf der Basis dieser Daten trainiert. Hierbei ist die exakte zeitliche Korrelation von Energie, Temperatur und Schwingungsdaten ebenfalls hilfreich. Arbeiten mehrere Antriebe in einem Prozess, erweist sich ferner ein übergreifendes Zeitverständnis als notwendig. Weicht irgendein Betriebsparameter vom Normalzustand ab - beispielsweise durch einen Lagerschaden, anderen Verschleiß oder Probleme im Prozess -, kann der Betreiber vor einem Ausfall bei der nächsten geplanten Wartung reagieren oder der Prozess anders gesteuert werden. Der geringe Aufwand zum Trainieren des Modells zeigt sich gegenüber dem Nutzen der vorausschauenden Wartung durchaus als signifikant (Bild 4).

Synchronisierte Einspeisung von regenerativer Energie

Die Energiewende bringt ein neues und weitgehend unbekanntes Problem mit sich. Kraftwerke für Primärenergie wie Kohle, Gas oder Atomkraft betreiben Generatoren mit großen rotatorischen Massen. Die in diesen Massen gespeicherte kinetische Energie springt dem Energienetz bei Lastschwankungen bei und liefert die Orientierungsfrequenz für alternative Erzeuger, zum Beispiel Windgeneratoren oder Solarparks.

Mit zunehmendem Ersatz konventioneller Kraftwerke durch alternative Erzeuger fehlt diese netzunterstützende Wirkung. So ist es beispielsweise nicht ohne weiteres möglich, einen Windpark ohne ein externes Netz im Inselbetrieb hochzufahren.

Eine Lösung für dieses Problem liegt in der hochgenauen Synchronisation aller Erzeuger und deren elektronischen Einspeiseumrichtern mit einer entsprechenden Sollwertvorgabe. Dies kann durch TSN über das Netzwerk erfolgen, das ohnehin für Betriebsdaten erforderlich ist. Die Installation von zwei getrennten Netzwerken in einem mehrere Quadratkilometer großen Windpark wäre ein hoher Kostenfaktor (Bild 5).

Bildergalerie

Bildergalerie mit 5 Bildern

Ursachenanalyse von Ereignissen

Ein weiteres Anwendungsfeld ist die zeitliche und lokalisierte Analyse von Ereignissen, die im laufenden Betrieb einer Anlage entstehen. Diese werden etwa im Störungsfall von Versicherungen gefordert, um eine sogenannte Root-Cause-Auswertung durchführen zu können. Wird dies heute vorrangig in der Steuerung erledigt, kann das in Zukunft nicht mehr ausreichend sein, weil in der SPS nicht sämtliche relevanten Daten – zum Beispiel die oben genannten vom Motor - verfügbar sind. Aufgrund der Uhrzeitsynchronisation ermöglicht TSN die Aufzeichnung von Ereignissen mit hochgenauen Zeitstempeln von weniger als 1 ms in den Geräten selbst. Das konvergente Netzwerk stellt auch die gleichzeitige Übertragung der Ereignisse an eine analysierende Einheit sicher, die nicht die Steuerung sein muss (und kann, wenn eine Steuerung selbst Root-Cause ist). Durch KI lassen sich die großen Mengen an Meldungen einfach auf Anomalien durchsuchen. Die hohe Zeitstempelgenauigkeit unterstützt dabei. Außer einer Root-Cause-Auswertung werden so ebenfalls verdeckte Probleme im laufenden Betrieb aufgefunden und behoben.

Bereits aktuell Umsetzung möglich

Zusätzlich zu den oben dargestellten Beispielen gibt es noch zahlreiche weitere Anwendungsfälle, die sich durch die Nutzung von KI in der Automatisierung umsetzen lassen. Viele dieser Beispiele sind ohne konvergente TSN-Netzwerke und Uhrzeitsynchronisation nicht oder nur wesentlich komplizierter oder kostspieliger realisierbar. In diesen Applikationen können TSN-Mechanismen im Netzwerk ihre Stärken im Vergleich zu spezialisierten Echtzeitbussystemen ausspielen. Vielleicht liegt der größte Nutzen von TSN in diesen Anwendungen und weniger im Ersatz aktueller Spezialbussysteme für Motion Control. Als weitere gute Nachricht sei angeführt, dass die beschriebenen Anwendungen schon heute verwirklicht werden können. Die Switches von Phoenix Contact unterstützen derzeit bereits Funktionen wie Quality of Service (QoS), Precision Time Protocol (PTP) und Preemption. Auch der GigE-Vision-Standard spezifiziert die Verwendung von PTP. KI in Kombination mit TSN erlaubt damit eine neue Generation von Automatisierungsapplikationen, deren Entwicklung wahrscheinlich erst am Anfang steht. (mr)

Singlebord-Computer

Wie Arduino, Raspberry Pi & Co. die Reichweite der industriellen Automatisierung erweitern

* Gunnar Lessmann ist Master Specialist Profinet und TSN, PLCnext Technology bei Phoenix Contact Electronics GmbH

(ID:50171605)