Neuronales Netz als diversitäre Redundanz

KI-Einsatz für Safety-Anwendungen

Der Einsatz von künstlicher Intelligenz (KI) in der Fertigung kann Produktqualität, Produktivität und Prozessabläufe verbessern. Bei sicherheitsbezogenen Applikationen im Bereich der DIN/EN61508 hingegen kommen KI-Methoden bislang nicht zum Einsatz. Ein technologisch neuartiges, KI-basiertes Konzept, bei dem anstelle eines konventionellen Logikteils ein künstliches neuronales Netz verwendet wird, könnte das künftig ändern.

Bisher wurden KI-Methoden in der industriellen Automatisierungstechnik und Prozessautomatisierung zur Realisierung sicherheitsgerichteter Applikationen nicht angewendet. Hierfür gibt es verschiedene Gründe.

  • Es bestehen Vorbehalte hinsichtlich der teilweisen komplexen, intransparenten, nicht nachvollziehbaren, nicht reproduzierbaren, sich selbst modifizierenden, quasideterministischen und probabilistischen Funktionsweisen.
  • Es haben sich noch keine wissenschafts- oder erfahrungsbasierten Kriterien für eine entsprechende Beurteilung der funktionalen Sicherheit von KI-Applikationen in der industriellen Automatisierung etabliert.
  • Es fehlen Regelwerke, speziell für sicherheitsbezogene KIApplikationen.

TSU hat unter Berücksichtigung sicherheitstechnischer und ökonomischer Aspekte ein technologisch neuartiges, KI-basierte Konzept zur Realisierung zwei- oder mehrkanaliger diversitärer Architekturen entwickelt, bei dem anstelle eines konventionellen Logikteils ein Künstliches Neuronales Netz (KNN) verwendet wird.

 Beim neuen Konzept wird parallel zu einem klassisch ausgeführten Kanal ein zweiter Kanal in Form eines künstlichen neuronalen Netzes eingerichtet.
Beim neuen Konzept wird parallel zu einem klassisch ausgeführten Kanal ein zweiter Kanal in Form eines künstlichen neuronalen Netzes eingerichtet.Bild: TSU e.V.

Künstliches Neuronales Netz

Ein KNN ist eine Anordnung künstlicher Neuronen, die über ihre Verbindungen untereinander Signale senden und empfangen können. Die Art und Anzahl der Neuronen und ihrer Verbindungen bestimmen die Topologie eines beispielsweise aus Input-, Hidden- und Outputneuronen bestehenden Netzes. Die einzelnen Verbindungen verstärken oder schwächen die Signale in Form ihrer Gewichte. Die grundsätzliche Funktionsweise eines künstlichen Neurons ist durch seine Aktivierungsfunktion gekennzeichnet. Aus der Summe aller Eingangssignale wird der zugeordnete Wert der Aktivierungsfunktion ermittelt und an alle ausgangsseitig mit ihm verbundenen Neuronen weitergeleitet. Damit ein solches KNN brauchbare Ergebnisse liefern kann, muss es in Form eines algorithmenbasierten Lernprozesses trainiert werden. Der Erfolg dieses Lernprozesses ist von verschiedenen Parametern abhängig, unter anderem von der Topologie des Netzes, der Anzahl der Hidden-Schichten, der Art der Aktivierungsfunktion, von der Art und den Werten der Verbindungsgewichte, sowie der Wahl der den Lernprozess gestaltenden Algorithmen. Nach vorausgehendem Trainings- oder Lernprozess liefert ein KNN Klassifizierungs-, Mustererkennungs- und Analyseergebnisse sowie Einschätzungen und Vorhersagen von Entwicklungstendenzen.

Sogenannte flache KNN sind durch spezielle Eigenschaften charakterisiert, wie beispiel-weise Feed-Forward-Topologien, begrenzte Anzahl der Hiddenschichten, Anwendung ausschließlich deterministisch, nicht statistisch oder stochastisch basierter Algorithmen zur Realisierung des Lernprozesses sowie Verwendung standardisierter Software. Aktivierungs-, Propagierungs- und Ausgabefunktionen sowie Anzahl der Neuronen und Verbindungen werden nach Abschluss des Lernprozesses nicht mehr modifiziert.

 Künstliche Intelligenz kommt in der funktionalen Sicherheit bislang nicht zum Einsatz - ein neuartiger Ansatz auf Basis eines neuronalen Netzes soll das ändern.
Künstliche Intelligenz kommt in der funktionalen Sicherheit bislang nicht zum Einsatz – ein neuartiger Ansatz auf Basis eines neuronalen Netzes soll das ändern. Bild: ©th-photo/stock.adobe.com

Redundanz und Diversität

Das Redundanzprinzip mit parallel betriebenen, stochastisch voneinander unabhängigen Kanälen wird in der Sicherheitstechnik häufig angewandt. Schließlich ist die Wahrscheinlichkeit eines gleichzeitigen Ausfalls zweier Kanäle geringer als die jeweilige Versagenswahrscheinlichkeit der Einzelkanäle. Die Kanäle selbst können homogen oder diversitär ausgeführt werden. Homogen sowie teildiversitär ausgeführte Architekturen können zwar die Anforderungen an die erforderliche Sicherheitsintegrität bei zufälligen Fehler erfüllen, haben jedoch einen geringen Nutzen für die Verminderung des Einflusses von systematischen Fehlern. Diversitäre Redundanz ist im Sinne der funktionalen Sicherheit der DIN/EN61508 eine wirksame Maßnahme zur Aufdeckung, Verringerung und Beherrschung gefährlicher Ausfälle sowohl infolge zufälliger Fehler als auch infolge systematischer Fehler. Es existieren jedoch in der Norm keine konkreten Anforderungen an die Eigenschaften oder Realisierung von Diversität, bei deren Erfüllung ein SIL-abgestuftes tolerierbares Risiko erreicht werden kann.

 Der neue Safety-Ansatz wurde mit der Sicherheitsfunktion 'kontinuierliche Geschwindigkeitsüberwachung' am Anwendungsbeispiel einer Fördermaschine im Untertage-Bergbau getestet.
Der neue Safety-Ansatz wurde mit der Sicherheitsfunktion ‚kontinuierliche Geschwindigkeitsüberwachung‘ am Anwendungsbeispiel einer Fördermaschine im Untertage-Bergbau getestet.©alisseja/stock.adobe.com

Alternative mit KI-Methode

Zielsetzung des neuen Konzeptes des Vereins für Technische Sicherheit und Umweltschutz (TSU) ist es, mit Hilfe von KI eine flexible, funktional erweiterte und kostengünstige Alternative zur Realisierung diversitären Architekturen zu entwickeln. Dabei wird parallel zu einem klassisch ausgeführten Kanal ein zweiter Kanal in Form eines KNN eingerichtet. Jeder Kanal für sich hat zur Aufgabe, den sicheren Anlagen- oder Prozesszustand zu gewährleisten. Beide Kanäle werden mit funktional gleichen, physikalisch jedoch unterschiedlich generierten Eingangssignalen versorgt. Gleiches gilt für die jeweiligen informationsverarbeitenden Systeme, die in dem einen Kanal konventionell, z.B. mit einer SPS, im anderen Kanal mit einem KNN realisiert sind. Ebenso sind die Ausgaben der beiden Kanäle verschieden ausgeführt. Der herkömmlich ausgeführte Kanal arbeitet nach dem Wenn/Dann-Prinzip. Das KNN im anderen Kanal hingegen setzt die aktuellen Betriebsdaten mit den durch das Trainingsverfahren erlernten Daten in Beziehung zueinander und prüft ihre Übereinstimmung. Nichtübereinstimmungen bewirken den Verbleib im sicheren Zustand oder den Übergang in denselben. Als Anwendungsbeispiel hat TSU in Kooperation mit der Universität Duisburg-Essen die Sicherheitsfunktion ‚kontinuierliche Geschwindigkeitsüberwachun‘ einer Fördermaschine im Untertage-Bergbau getestet. Sie soll die Einrichtung bei Geschwindigkeitsüberschreitungen in den sicheren Zustand überführen. Der KI-Teil der Sicherheitsfunktion wurde mit KNN realisiert und unter Laborbedingungen erfolgreich getestet. Es wurden zwei verschiedene Verfahren für die Tests verwendet.

Seiten: 1 2Auf einer Seite lesen

TSU - Verein für Technische Sicherheit

Das könnte Sie auch Interessieren

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.