ERP-Systeme als Anlaufstelle für KI-Applikationen

ERP-Systeme als Anlaufstelle für KI-Applikationen

Kontext macht aus Daten Information

Bild: ©phonlamaiphoto/stock.adobe.com

Selbst wenn künstliche Intelligenz von einer Nischenanwendung zur Normalität wird, ändert sich an der Rolle des führenden ERP-Systems nicht viel. Auch in diesen Szenarien werden
Datendrehscheiben gebraucht – etwa um der KI-Applikation Metadaten bereitzustellen.

Eine Voraussetzung für die smarte Fabrik ist die Anbindung vieler Drittsysteme an die zentrale Geschäftslösung. Denn jeder Ablauf ist nur so effizient wie sein ineffizientester Teilprozess. Verzögert ein manueller Datenaustausch den Ablauf, sind die Geschwindigkeitsvorteile der vernetzten Maschinen womöglich dahin. Um das zu vermeiden und alle an der Wertschöpfungskette beteiligten Systeme anbinden zu können, haben sich viele ERP-Systeme in den vergangenen Jahren zu einer werksnahen Informationsdrehscheibe weiterentwickelt. Eine Aufgabe, die mit der zu erwartenden Verbreitung von KI-Technologie im Fabrikumfeld noch einmal an Bedeutung gewinnen dürfte. Denn auch eine KI-Applikation ist auf Metadaten und Kontext angewiesen, um sinnvolle Ergebnisse produzieren zu können.

Zeitfenster sind zu klein

Auch wenn die Forschung noch weit von der Entwicklung einer starken KI entfernt ist, gibt es bereits heute nützliche Einsatzmöglichkeiten im Fertigungsumfeld, etwa die vorausschauende Wartung. Schon zu Beginn der Industrie-4.0-Bewegung zählte Predictive Maintenance zu den vielversprechendsten Szenarien in der vernetzten Fabrik. Nicht wenige dieser Anwendungen wurden seitdem implementiert – zeigten jedoch auch die unerwarteten Schwierigkeiten in der Praxis auf. Traditionell basiert die präventive Erkennung von Fehlern auf Schwellenwerten: Nähert sich etwa die Temperatur der Anlage einem kritischen Bereich, wird eine Warnung ausgelöst und ein Techniker zur vorausschauenden Wartung entsendet. In der Praxis ist jedoch häufig das Zeitfenster nach Ausgabe der Warnung für die Service-Techniker zu klein, um das Eintreten des Fehlers tatsächlich noch zu verhindern. Zudem lässt sich ein Schwellenwert erst definieren, wenn die Parameter bekannt sind, die auf einen Maschinenausfall hinweisen. In der Realität ist eine Störung jedoch häufig nicht nur mit einigen wenigen Variablen, sondern vielmehr mit komplexen Störungsmustern verbunden. Dabei können auch Einflüsse eine Rolle spielen, die noch keinem in den Sinn kamen – beispielsweise der Luftdruck der Arbeitsumgebung. Solche Störungsmuster zu identifizieren, stellt aufgrund der hohen Komplexität eine Herausforderung dar: Denn mit jedem weiteren Parameter, der in die Beobachtung miteinbezogen wird, steigt die Zahl der Möglichkeiten exponentiell an, wie dieser mit den übrigen Werten zusammenspielen kann. Hier spielt künstliche Intelligenz ihr Potenzial aus.

Neuronale Netze entdecken Muster

Die Grundlage einer KI-Analyse stellen die historischen Betriebsdaten einer Maschine dar. Um aussagekräftige Ergebnisse zu erziehen, sollten diese mindestens ein Jahr zurückreichen, besser noch zwei bis drei Jahre. Je länger die Daten zurückreichen, desto wahrscheinlicher ist es, dass ein bestimmter Fehler aufgetreten ist und damit in den erfassten Daten aufgezeichnet wurde. Die Analyse der Daten erfolgt anschließend mit neuronalen Netzen auf Basis der sogenannten Long-short-term-memory-Technik. Damit wird eine Art Erinnerungsvermögen für das neuronale Netz erzeugt. Anschließend wandern die historischen Daten als Trainingsdaten in das neuronale Netz – das daraus ein Verständnis entwickelt, in welcher Kombination die Parameter typischerweise kritisch sind. Wiesen etwa ein Großteil der historischen Störungen bei mindestens 25 Parametern ungewöhnliche Werte auf, könnte es sich bei einer ähnlichen Menge an ungewöhnlichen Werten wahrscheinlich ebenfalls um eine Störung handeln, selbst wenn völlig andere Parameter involviert sind als bei den Störungen in den historischen Daten.

Seiten: 1 2Auf einer Seite lesen

Asseco Solutions AG
www.ap-ag.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

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.

Anzeige

Anzeige

Anzeige