Anzeige
Anzeige
Anzeige
Beitrag drucken

Analysewerkzeuge für die Big-Data-Welt

KI und maschinelles Lernen für die Produktion

Bild: ©strichfiguren.de/stock.adobe.com

Bild: ©strichfiguren.de/stock.adobe.com

Maschinelles Lernen

In Produktionsprozessen wird Maschinelles Lernen eingesetzt, um Wissen aus Erfahrung zu erzeugen. Algorithmen entwickeln aus möglichst repräsentativen Beispieldaten ein komplexes Modell. Dieses Modell kann anschließend auf neue und unbekannte Daten derselben Art angewendet werden. Immer, wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten verfügbar sind, bietet sich Maschinelles Lernen an [5]. Die Modelle werden mit dem Datenstrom aus dem laufenden Betrieb abgeglichen und erlauben letztlich Vorhersagen oder Empfehlungen und Entscheidungen. Beispiele dafür sind:

  • Anomalien aus Maschinendaten erkennen, was letztlich prädiktive Instandhaltung ermöglicht.
  • Bessere Entscheidungen in komplexen Situationen treffen, weil die Modelle die kompletten Zusammenhänge auch über mehrere Fertigungsstufen hinweg erkennen und damit zu Assistenzsystemen ausgebaut werden können.
  • Fertigungs- und Montageprozesse schnell an aktuelle Situationen anpassen, weil klare Korrelationen zwischen Messergebnissen und Prozessparametern eine automatische Regelung ermöglichen.

Weitere Anwendungsgebiete maschinellen Lernens, die aktuell bearbeitet werden, sind Mensch-Roboter-Kooperation, autonome Intralogistik und Selbstorganisation in der Fertigung.

Algorithmen auswählen

Zum maschinellen Lernen sind die richtigen Lern- und Modellierungsalgorithmen auszuwählen, repräsentative Trainingsdaten zu definieren, aufzubereiten und zu speichern, aus den Trainingsdaten sinnvolle Modelle zu erzeugen und dieses dann mit Laufzeitdaten zu vergleichen. Diese Aufgaben erfordern geeignete Sensorik, Softwarewerkzeuge und -architekturen. Dienstleister für Data Analytics unterstützen die Anwender auch dabei, kommerzielle ML-Werkzeuge zu bewerten und auszuwählen. Die Forschung zu maschinellem Lernen geht weiter: relevant sind beispielsweise Fragen zu maschinellem Lernen mit extrem großen oder sehr kleinen Datenmengen, zur Kombination von maschinellem Lernen mit physikalischem oder Expertenwissen sowie Sicherheit und Transparenz von ML-Modellen.

Edge- und Cloud-Computing

Wie beschrieben erfordern sinnvolle Anwendungen künstlicher Intelligenz qualitativ hochwertige Daten, auf deren Basis dann Modelle erzeugt werden können. Wo aber werden zukünftig die anfallenden Daten verarbeitet oder die Modelle gelernt? Aktuell zeichnet sich ab, dass zukünftig Edge-Rechenzentren diese Aufgabe übernehmen. Unter Edge Computing versteht man, Rechenleistung, Software-Anwendungen, Datenverarbeitung und Dienste unmittelbar an die logische Randstelle eines Netzwerks zu verlagern, etwa einer Linie oder einer kompletten Fabrik. Studien prognostizieren, dass Edge Computing durch die zu erwartende Datenvielfalt, die erforderliche Verarbeitungsgeschwindigkeit und -leistung bis zum Jahr 2025 um rund 30 Prozent jährlich zunimmt. Edge-Rechenzentren, untereinander verbunden zu einer Cloudinfrastruktur, sind damit skalierbar und bieten auch mittelständischen Unternehmen die Möglichkeiten, Cloudtechnologien zu nutzen, ohne in eine eigene Infrastruktur investieren zu müssen. Edge-Rechenzentren übernehmen beispielsweise folgende Aufgaben:

  • Sammeln und Interpretieren von Daten aus Sensoren und Maschinensteuerungen, Maschinelles Lernen der Modelle,
  • Vergleiche zwischen Modellen und Laufzeitdaten,
  • Speichern von Messdaten, z.B. Bilddaten aus Qualitätssystemen,
  • Berechnen von Maschinenparametern,
  • andere maschinennahe, aber nicht echtzeitrelevante Funktionen.

Literaturhinweise:
[1] PaiCE (Hrsg.): Studie Potenziale der Künstlichen Intelligenz im produzierenden Gewerbe in Deutschland
[2] Strategie Künstliche Intelligenz der Bundesregierung, siehe www.ki-strategie-deutschland.de
[3] World Manufacturing Forum: The 2018 World Manufacturing Forum Report – Recommendations for the Future of Manufacturing.
[4] Werthschützky, R. (Hrsg.): Sensor Technologien 2022. AMA Verband für Sensorik und Messtechnik e.V., 2018
[5] Fraunhofer Gesellschaft (Hrsg.): Maschinelles Lernen – eine Analyse zu Kompetenzen, Forschung und Anwendung. München, 2018


Das könnte Sie auch interessieren:

Siemens beendet das erste Halbjahr des laufenden Geschäftsjahres mit positiven Neuigkeiten. Umsatzerlöse und Gewinn legen kräftig zu.‣ weiterlesen

Insgesamt 8,2Mrd.€ hat der Maschinen- und Anlagenbau im Jahr 2019 für Forschung und Entwicklung ausgegeben. Auch in der Pandemie behalten F&E-Ausgaben einen hohen Stellenwert.‣ weiterlesen

Seit rund 100 Jahren steht die Automobilindustrie wie keine andere für die Fabrikarbeit am Fließband. Doch jetzt deutet sich eine Technologiewende an. Künftig könnten Fahrerlose Transportfahrzeuge Karosserien, Material und ganze Fahrzeuge durch die Fabrik bewegen. In mehreren Modellfabriken fahren die Automaten bereits durchs Werk.‣ weiterlesen

Immer mehr Anlagen sollen Betriebsdaten im IoT zur Bearbeitung bereitstellen. Mit dem Susietec-Portfolio will Kontron insbesondere den Aufbau von IoT-Lösungen für bestehende Anlagen unterstützen. Der Anbieter von IoT- und Embedded-Computing-Technologie rechnet für 2021 mit mehr als 50 Prozent Wachstum in diesem Geschäftsfeld.‣ weiterlesen

Im März haben die Bestellungen im Maschinen- und Anlagenbau im Vergleich zum Vorjahr deutlich zugelegt. Dabei kamen sowohl aus dem Aus- als auch aus dem Inland positive Signale.‣ weiterlesen

Vor wenigen Jahren galt MES-Software vielen noch als Spezialsoftware mit nur aufwendig erschließbarem Nutzen. Inzwischen ist sie fester Bestandteil der meisten prozessnahen IT-Architekturen in der Prozess- und gerade der Pharmaindustrie. Insbesondere wenn viele Systemfunktionen auf die Prozessführung nach ISA95 entfallen und chargenorientiert produziert wird.‣ weiterlesen

Automobilhersteller agieren bislang erfolgreich in ihren eher geschlossenen Wertschöpfungsketten. Sie verstehen den Markt als Nullsummenspiel. Unternehmen wie Apple haben vorgemacht, dass es auch anders geht: Von offenen Ökosystemen können alle profitieren. Wann öffnet sich die Automobilindustrie für diese Idee?‣ weiterlesen

Mit dem Wechsel von Kathleen Mitford zu Microsoft wird Catherine Kniker zur EVP (Executive Vice Presdient) und Chief Stategy Officer bei PTC ernannt.‣ weiterlesen

Gemeinsam mit CEO Peter Sorowka leitet Carsten Stiller seit 1. April das Softwareunternehmen Cybus. Er verantwortet die Bereiche Marketing und Vertrieb.‣ weiterlesen

Siemens Digital Industries bekommt einen neuen CTO. Dirk Didascalou soll zum 1. September neuer Technikchef werden.‣ weiterlesen

Die Wirtschaft blickt überwiegend optimistisch in die Zukunft: Knapp 40 Prozent der Unternehmen wollen laut der jüngsten Konjunkturumfrage des Instituts der deutschen Wirtschaft 2021 im Vergleich zu 2020 mehr produzieren.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige