Prozessprognose mit FactoryTalk Analytics LogixAI

KI-Modul einstecken und per Mausklick anlernen

Maschinelles Lernen und KI können einen wertvollen Beitrag zur kontinuierlichen Verbesserung der Produktion leisten. Jetzt will es Rockwell Automation seinen Anwendern mit der Lösung LogixAI besonders leicht machen, Modelle zu entwickeln, auszuführen und laufend durch ausgefeiltere Versionen zu ersetzen.

Bild: ©Grispb/stock.adobe.com

Was der Anwendung künstlicher Intelligenz (KI) in industriellen Umgebungen einen mächtigen Schub gegeben hat, mehr noch als Kosten- und Effizienzaspekte, ist das altersbedingte Ausscheiden erfahrener Mitarbeiter. Ersatz für diese fachlich versierten Angestellten zu finden, ist eine große Herausforderung. Und weil hochqualifizierte Mitarbeiter besonders wertvoll für Unternehmen sind, wird hart um sie gekämpft. Diese Mitarbeiter sollen sich zudem hauptsächlich auf strategischere Aufgaben konzentrieren und nicht etwa Maschinendaten analysieren, um Probleme vorherzusagen oder das nächste Wartungszeitfensters zu definieren. Viel wichtiger ist es, dass die Mitarbeiter mit den gewonnenen Daten arbeiten und darauf basierend betriebliche Entscheidungen treffen.

Prozessoptimierung durch Datenanalyse

Genau hier kommt die Datenanalyse ins Spiel. Diese – also die Erkennung, Interpretation und Kommunikation von aussagekräftigen Datenmustern – verbindet Statistik, Programmierung und Operations Research. Dabei handelt es sich um die Grundlage zur Messung der Leistung einer Maschine und der Erstellung fundierter Handlungsempfehlungen. Auf Grundlage dieser ausführlichen Informationen können Hersteller Konfigurationen oder Parameter anpassen und so die Maschineneffizienz und -leistung sowie andere Performance-Kennzahlen verbessern. In Industrieumgebungen fällt die Aufgabe diese Informationen zu liefern häufig Datenwissenschaftlern zu. Um Zusammenhänge und Anomalien zu erkennen, die Rückschlüsse und Erkenntnisse auf die Produktion zulassen, setzen Datenwissenschaftler und Produktionsspezialisten immer mehr auf lokale Module zur Datenanalyse. Die Spezialisten können sich dann darauf konzentrieren, auf den Daten basierende Entscheidungen zu treffen und so Prozesse optimieren.

In Steuerungstools integriert

Ein lokales KI-basiertes Modul zur Datenanalyse kann die Erfassung und Verarbeitung von Leistungsdaten, insbesondere für wichtige Systeme, unterstützen. Ein Beispiel hierfür ist Rockwell Automation FactoryTalk Analytics LogixAI. Diese Lösung ist eine eigenständige Anwendung, die in ein ControlLogix-Steuerungschassis eingesteckt wird und dann Steuerungsdaten in hoher Geschwindigkeit über die Backplane streamt. Das Modul fügt der Logix-Steuerungsanwendung Embedded-Analytics-Funktionen hinzu: ein neuer Ansatz bei der Prozessoptimierung. Die Produktionsumgebung kann so fortlaufend überwacht werden und Anomalien werden basierend auf den mit maschinellen Lernverfahren gewonnenen Informationen identifiziert.

Dauerhaftes Monitoring

Das FactoryTalk Analytics LogixAI-Modul nutzt die Möglichkeiten des maschinellen Lernens, um Maschinen oder Geräte über mehrere Produktionszyklen hinweg zu überwachen. Daraufhin lässt sich feststellen, welche Eigenschaften – wie Geschwindigkeit oder Druck – im Normalbereich liegen und welche möglicherweise Anomalien aufweisen, die es zu beheben gilt. Abhängig von den jeweiligen Ergebnissen kann FactoryTalk Analytics LogixAI Prognosen erstellen, etwa wann eine bestimmte Komponente wahrscheinlich ausfallen wird, und den Bediener entsprechend warnen. So lassen sich Qualitätsprobleme sowie mögliche Ausfälle vermeiden. Zudem können Betreiber von Empfehlungen zur Prozessoptimierung profitieren. Angenommen, ein Bediener richtet eine neue Produktionscharge bei einer Maschine ein. Die KI kann etwa die Abschaltung der Kühlung empfehlen, wenn die vorherige Charge hierauf angewiesen war, aber die neue Charge nicht.

Screenshots von LogixAI: Modellentwicklung und Applikationsausführung lassen sich per Mausklick anstoßen. Voraussetzung sind richtig platzierte Datenpunkte bei den Maschinen und Anlagen.
Screenshots von LogixAI: Modellentwicklung und Applikationsausführung lassen sich per Mausklick anstoßen. Voraussetzung sind richtig platzierte Datenpunkte bei den Maschinen und Anlagen.Bild: Rockwell Automation GmbH

Funktionsweise

Traditionell wird mit Maschinenanalysen wie folgt verfahren: Ein Datenwissenschaftler wird um die Sammlung, Strukturierung und Analyse der Informationen gebeten. Indem sich dieser auf höherwertige Projekte konzentriert und stattdessen mithilfe der KI betriebliche Prognosen erstellen lässt, kann seine wertvolle Zeit besser genutzt werden. Entscheidend für diese Art von Lösung ist es, dass sie auch von Laien verwendet werden kann. Mit LogixAI müssen Benutzer das Modul lediglich in das Steuerungschassis einstecken, eine Ethernet-Verbindung herstellen, die ‚Prediction Builder‘-Webseite auf dem PC öffnen und ‚Neue Prognose erstellen‘ oder ‚Modell importieren‘ auswählen.

Tags für importierte Variablen

Um eine neue Prognose zu erstellen wird vom Benutzer zunächst eine neue Bezeichnung, zum Beispiel ‚Druckanomalien erkennen‘, erstellt und Tags als Basis für die Prognose hinzugefügt. Eine Liste verfügbarer Tags wird von der Steuerung angezeigt. Der Benutzer muss die relevanten Tags dann einfach per Drag&Drop in die Variablenfelder ziehen. Die Tags können Ausgangsvariablen wie Druck, die Leistung beeinflussende Eingangsvariablen, etwa Durchfluss, sowie Zustandsvariablen, etwa Viskosität, umfassen. Vom Benutzer müssen dann noch die jeweiligen Grenzwerte definiert und schließlich die Konfiguration abgespeichert werden. Was die in der Steuerung verfügbaren Daten angeht, kann das Modul erkennen, ob genügend Informationen für eine zuverlässige Prognose vorliegen, und es warnt den Benutzer bei Fehlern.

Beobachten und Lernen

Nach Erfassung der Eingangs- und Ausgangswerte überwacht die Rockwell-Software die Produktion während der Laufzeit, um das gewünschte Modell zu erstellen. Dieser Lernprozess erfolgt ohne menschliches Eingreifen. Der Benutzer startet den Vorgang und überlässt dem System die Überwachung des Datenstreamings durch die Steuerung. Während dieses Prozesses sucht die KI-Komponente im Modul nach Zusammenhängen, sie dünnt Daten aus und erstellt das gewünschte Modell. Die Erstellung des Vorhersagemodells läuft automatisiert ab. LogixAI formuliert in schneller Reihenfolge Theorien für mögliche mathematische Modelle der überwachten Vorgänge und überprüft jede Theorie, bis die Tests ergeben, dass das bestmögliche auf physikalischen Werten basierende Modell gewählt wurde. Wie lange die Lernphase dauert, hängt von der Komplexität des Vorgangs ab. Im Falle einer einfachen Prozesseinheit werden lediglich 20 bis 25 Minuten unbeaufsichtigtes Training benötigt. Danach gibt die Software über die Steuerung an, dass mit der Prognose begonnen werden kann.

Einsatz als virtueller Sensor

Das Modul kann Variablen von verschiedensten Ressourcen in der Produktionslinie analysieren. Beispielsweise kann es als virtueller Sensor eingesetzt werden, der Systeme wie Sprüher, Trockner und Brenner überwacht, um die Fehlerwahrscheinlichkeit in der Fertigung vorherzusagen. Hierdurch lässt sich Arbeitszeit einsparen, da Mitarbeiter nicht länger die Messwerte von verschiedenen Produkten ablesen müssen. Außerdem können sie schnell eingreifen und so Ausfallzeiten und Produktbeanstandungen vermeiden, wenn das Modul eine drohende Anomalie in der Anlage prognostiziert.

Teil von FactoryTalk

Das LogixAI-Modul ist Teil des FactoryTalk Analytics-Portfolios von Rockwell Automation. Es ergänzt FactoryTalk Analytics for Devices, das die Struktur eines Automatisierungssystems erlernt, um Probleme bei einzelnen Geräten zu erkennen. Das KI-Modul baut hierauf auf, indem es die Steuerungsanwendung erlernt und Anomalien vorhersagt, die zu Ausfällen sowie Qualitäts- und anderen Leistungsproblemen führen können. Annähernd jedes Produktionsunternehmen soll von diesem Lösungspaket profitieren können – durch optimierte Prozesse, bessere Produktqualität und weniger Maschinenausfälle.

www.rockwellautomation.com

Thematik: Technologie
Rockwell Automation GmbH

Das könnte Sie auch Interessieren

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.

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.