Analysewerkzeuge für die Big-Data-Welt
KI und maschinelles Lernen
für die Produktion
Bild: ©xiaoliangge/stock.adobe.com
Mit der Inititative ‚Industrie 4.0‘ versuchen Wirtschaft, Politik und Wissenschaft seit 2012, die hiesigen industriellen Wertschöpfungsnetzwerke wettbewerbs- und zukunftsfähig zu erhalten. KI und Machine Learning spielen dabei eine immer wichtigere Rolle.
Bei Industrie 4.0 geht es um die die durchgängige Vernetzung und Durchdringung aller Komponenten der Fabrik sowie kompletter Wertschöpfungsketten mit Sensorik, eingebetteten Systemen und Kommunikationstechnik – sogenannte cyberphysischen Systeme. Dadurch fallen große Mengen an Daten an, die wiederum die Grundlage für moderne Analyse- und Auswerteverfahren sind, die heute als künstliche Intelligenz (KI) bezeichnet werden. Heute geht man allgemein davon aus, dass KI eine Schlüsseltechnologie ist, mit der Anwender in allen Stufen der Wertschöpfung hohe Verbesserungspotenziale ausschöpfen können. Aktuelle Studien attestieren Deutschland zwar eine gute Position in der KI-Forschung, den USA aber eine wesentlich höhere Wettbewerbsfähigkeit in den KI-Anwendungen. China investiert massiv in künstliche Intelligenz, sodass chinesische Unternehmen in wenigen Jahren auf den deutschen Markt für KI-Anwendungen in der Produktion drängen werden. Darum ist es richtig, dass die Bundesregierung in ihrer KI-Strategie das Ziel formuliert, Deutschland und Europa zu einem führenden KI-Standort zu machen [2]. Die GAIA-X-Initiative als Netzwerk von Cloudplattformen und Diensten, z.B. Industrial Data Analytics unterstreichen diesen Anspruch. Die Industrielle Produktion ist dabei eines der wichtigsten Anwendungsfelder. In Demo-Fabriken und anhand konkreter Anwendungsfälle aus der industriellen Fertigung arbeitet auch das Fraunhofer IOSB an KI-Methoden und -Werkzeugen.
Ressource Kontextwissen
In der Produktion sind Daten immer im Kontext des Produkts oder der Prozesse zu interpretieren – dann sind sie wertvolle Ressourcen, um den Wertschöpfungsprozess zu verbessern oder neue Geschäftsmodelle zu entwickeln [3]. Das heißt auch, dass jeder Anwendungsfall seine spezifischen Daten erfordert. Datengestützte Werkzeuge können aber nur dann Mehrwert liefern, wenn die relevanten Aspekte von den erhobenen Daten abgedeckt werden. Daher ist es wichtig, die richtigen bzw. qualitativ hochwertige Daten aufzunehmen. Eine Hürde zum Einsatz von KI liegt derzeit noch darin, diese hochwertigen Datensätze in einem heterogenen Umfeld aus Automatisierungstechnik und Unternehmens-IT zu gewinnen: Entweder stammen die Daten aus den Maschinensteuerungen oder aus existierender bzw. nachgerüsteter Sensorik [4], die Anwender und Machine-Learning-Anbieter gemeinsam auswählen und installieren sollten. Danach ist festzulegen, welche Granularität der Daten für eine bestimmte Aufgabe erforderlich ist, wie Daten aus verschiedenen Quellen zusammengeführt werden können und in welchem Format sie übertragen und gespeichert werden. Dabei ist zu beachten, die für den Anwendungsfall richtigen Daten auszuwählen, und dann die vorhandenen Datensätze zu sortieren und sie für eine nachfolgende Modellbildung aufzubereiten. Mit den Plug&Work-Lösungsbausteinen werden auch Komponenten und Maschinen zu Datenlieferanten, die heute noch nicht vernetzt sind. Zu berücksichtigen sind außerdem Know-how zu den Themen Datensicherheit und Datenschutz, denn mehr Vernetzung bedeutet höhere Anfälligkeit gegen Cyberangriffe. Heute sind jedoch viele Technologien bereits verfügbar, deren richtiger Einsatz dafür sorgt, dass Anwender die Hoheit über Ihre Daten behalten. Entscheidend ist eine passgenaue und sichere IT-Architektur für das Sammeln, Speichern und Auswerten der Daten.
Maschinelles Lernen
In Produktionsprozessen wird Maschinelles Lernen eingesetzt, um Wissen aus Erfahrung zu erzeugen. Algorithmen entwickeln aus möglichst repräsentativen Beispieldaten ein komplexes Modell. Dieses Modell kann anschließend auf neue und unbekannte Daten derselben Art angewendet werden. Immer, wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten verfügbar sind, bietet sich Maschinelles Lernen an [5]. Die Modelle werden mit dem Datenstrom aus dem laufenden Betrieb abgeglichen und erlauben letztlich Vorhersagen oder Empfehlungen und Entscheidungen. Beispiele dafür sind: @WK Einrückung:Anomalien aus Maschinendaten erkennen, was letztlich prädiktive Instandhaltung ermöglicht. @WK Einrückung:Bessere Entscheidungen in komplexen Situationen treffen, weil die Modelle die kompletten Zusammenhänge auch über mehrere Fertigungsstufen hinweg erkennen und damit zu Assistenzsystemen ausgebaut werden können. @WK Einrückung:Fertigungs- und Montageprozesse schnell an aktuelle Situationen anpassen, weil klare Korrelationen zwischen Messergebnissen und Prozessparametern eine automatische Regelung ermöglichen.
Weitere Anwendungsgebiete maschinellen Lernens, die aktuell bearbeitet werden, sind Mensch-Roboter-Kooperation, autonome Intralogistik und Selbstorganisation in der Fertigung.