Bild: Omron Europe B.V.
Um Investitionsausgaben zu maximieren, ist operative Exzellenz erforderlich. Gleichzeitig stehen die Hersteller jedoch vor der Herausforderung, sich von traditionellen High-Volume-Low-Mix-Produktionsprozessen zu komplexeren High-Mix-Low-Volume-Produktionsprozessen zu bewegen, wobei die Nachfrage direkt mit der Produktion verbunden ist. Ein vergleichsweise neuer Baustein für operative Exzellenz ist die Implementierung von ‚KI at the Edge‘, also auf Maschinenebene. Grundlagen dafür sind eine flexible und autonome Produktionsunterstützung sowie IoT-Automatisierungslösungen von der Datenerfassung bis zur Produktion für eine nahtlose Integration von IT- und OT-Welten.
Was machen die Algorithmen?
Vereinfacht gesprochen wurde für die maschinennahe Integration von KI-Technologie ein Auswertungsansatz so erweitert, dass er sich innerhalb gegebener Rahmenbedingen selbst optimiert. Da dies vom Steuerungshersteller Omron in eine echtzeitfähige Form programmiert wurde, kann von einem selbstlernenden maschinennahen Algorithmus gesprochen werden. Theoretisch lassen sich Auswertungen auch nach der Datenerfassung, dem sogenannten Post-Event, mithilfe einer Software durchführen. Jedoch sind dann auf dieser Ebene der Produktion das defekte Erzeugniss oder der nahende Maschinenstillstand schon passiert. Eine Auswertung auf Maschinenebene in Echtzeit befähigt die Maschine, sofort auf Anomalien zu reagieren.
Edge und Cloud in der Fertigung
Doch was bedeutet eigentlich ‚KI at the Edge‘? Das auf kleinen Daten basierende maschinelle Lernen lässt sich in diesem Zusammenhang als spinale KI bezeichnen. Auf dieser Ebene werden Produktionslinien und Geräte mit Echtzeitsensoren überwacht und die Daten werden mit hoher Geschwindigkeit gesammelt und verarbeitet, um Anomalien schnell zu erkennen. Die Verarbeitung großer Datenmengen in der Cloud kann als zerebrale KI bezeichnet werden. Diese erfordert offene und sichere Standards wie das MQTT-Protokoll und den Kommunikationsstandard OPC UA für die Umwandlung von Maschinen- und Anlagendaten in Informationen. Während sich die Cloud am besten für Big-Data-Verarbeitung und Langzeitanalysen eignet, ist der ‚KI at the Edge-‚Ansatz eher für Echtzeitanwendungen geeignet. Dieser Ansatz bietet schnellere Reaktionszeiten, um die Datenanalyse auf Produktionsebene nutzen zu können, etwa zur Echtzeit-Optimierung einer Maschine.
