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

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

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.