Datenerfassung für KI-Algorithmen sorgen für zusätzliche Netzlast

Stau auf der Datenautobahn

Für den erfolgreichen Einsatz von künstlicher Intelligenz in der Produktion ist eine solide Datenbasis entscheidend. Je größer die Datenmenge und je höher die Datenqualität, desto besser funktionieren KI-Projekte. Falls die Daten in größeren Produktionsanlagen erfasst werden sollen, muss das Netzwerk dafür entsprechend ausgelegt werden - oder im Falle einer Nachrüstung die dafür notwendige Reserve haben. Im folgenden Artikel wird erläutert, auf welche Parameter es dabei ankommt.
 Erhöhtes Datenaufkommen während der Cloud-Kommunikation kann zu Kommunikationsausfällen führen.
Erhöhtes Datenaufkommen während der Cloud-Kommunikation kann zu Kommunikationsausfällen führen.Bild: Leadec Group

Wenn die Mitarbeiter von Leadec zu industriellen Anlagen gerufen werden, hat das häufig den Charme eines Feuerwehreinsatzes. In der Regel sind die Ursachen sporadische Unterbrechungen der Produktion oder gar ein kompletter Stillstand wegen Störungen in der Kommunikation im Anlagennetzwerk oder Feldbus. In anderen Fällen geht es um die Abnahme von neuen Anlagen oder die Anpassung der Kommunikation.

Es gibt jedoch auch noch andere Gründe: „Kürzlich hatten wir den Auftrag, ein Netzwerk auf Netzlast, Auslastungsgrad der Netzlastklasse, Jitter und Lost-Telegramme zu untersuchen“, berichtet Hans-Ludwig Göhringer, Netzwerk- und Feldbusexperte bei Leadec. „Auf den ersten Blick hat das wie eine Routine-Arbeit ausgesehen. Dann hat sich jedoch gezeigt, dass wir mitten in einem Projekt zu den Themen künstliche Intelligenz und maschinellem Lernen gelandet sind.“

Daten, Daten, Daten

Vereinfacht gesagt erkennen KI-Systeme in großen Datenmengen wiederkehrende Muster. Das funktioniert nur richtig, wenn die Quantität und die Qualität der Datensätze stimmen. Maschinelles Lernen für die prädiktive Instandhaltung oder zur Verbesserung von Produktionsprozessen funktioniert nur dann richtig, wenn die eingesetzten Methoden und Algorithmen aus möglichst großen Datenmengen lernen.

Im Produktionsumfeld erhält man die relevanten Daten von den Steuerungen, Sensoren und von Aktoren, die verschiedene Aktualwerte und Diagnosedaten liefern. Je nach KI-Anwendung kann eine Erweiterung um weitere Sensoren oder Systeme zur Bildverarbeitung notwendig sein. Durch den Einsatz von selbstlernenden Modellen ist es z.B. möglich, dass ein System Fehlermuster in Echtzeit erkennt und damit Qualitätsmängel effektiv vermeidet.

Bild: Leadec Holding BV & Co. KG

Als Rückgrat in den Maschinen und Anlagen spielen industrielle Netzwerke wie Profinet eine entscheidende Rolle. Neben der Datenkommunikation zwischen den Steuerungskomponenten, die für das Funktionieren der Anlage an sich notwendig ist, wird nun zusätzliche Bandbreite für die Erfassung der KI-Datenbasis benötigt. Nebenbei sei noch erwähnt, dass hier häufig auch eine Cloud-Anbindung erfolgt. Das führt hinsichtlich der Security-Themen Zugriffssicherheit und Datenschutz zu weiteren Herausforderungen, die gelöst werden müssen. Darauf soll an dieser Stelle nicht näher eingegangen werden.

Netzlast des Anlagennetzwerks

Im bereits angesprochenen Anlagennetzwerk ging es darum, welche Reserven in der Profinet-Kommunikation bestehen bzw. wie sich die zusätzliche, von der KI verursachte, Kommunikationslast auf den Datenverkehr in der Anlage auswirkt. Laut der Profinet-Nutzerorganisation PNO soll die Netzlast im Betrieb des Netzwerkes an wichtigen Punkten bestimmt werden. Am wichtigsten sind die Knotenpunkte, da hier die höchste Konzentration der Datenströme zu erwarten ist. Das ist in der Regel die Netzwerkverbindung zur SPS. Bei Multi-SPS-Anwendungen sollte die Netzlast an jeder Steuerung erfasst und der Maximalwert dokumentiert werden. Die Grenzwerte für die zyklische Echtzeitkommunikation gibt die PNO in den Vorgaben der Profinet Planungsrichtlinie wie folgt an:

  • 50 Prozent: Maßnahmen zur Verminderung der Netzlast müssen ergriffen werden

Aktualisierungszeiten

Die Aktualisierungszeiten haben einen wesentlichen Einfluss auf die Netzlast. Je kleiner die Aktualisierungszeiten sind, desto höher ist die übertragene Datenmenge pro Zeit und damit auch die Netzlast. Die Aktualisierungszeiten der Profinet-Geräte werden passend zur Zykluszeit der übergeordneten SPS festgelegt. Um die Netzlast zu reduzieren, kann überprüft werden, ob die Zykluszeit der SPS – und damit auch die Aktualisierungszeiten der Profinet-Teilnehmer – reduziert werden kann. Dabei muss jedoch beachtet werden, dass hier auch die Linientiefe eine Rolle spielt. Jeder Switch, der in die Kommunikationsstrecke eingefügt wird, führt zu einer bestimmten Verzögerung der Kommunikation. Die Anzahl der Switches zwischen SPS und den Profinet-Geräten wird Linie genannt. Je größer die Linie, desto mehr vergrößert sich die Verzögerung des Datentransfers.

Seiten: 1 2Auf einer Seite lesen

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