Analysewerkzeuge für die Big-Data-Welt
KI und maschinelles Lernen für die Produktion
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: Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
- 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. Das Manufacturing Execution System (MES) HYDRA optimiert Produktionsprozesse für Fertigungsunternehmen, um Wettbewerbsvorteile zu erzielen. ‣ weiterlesen
MES-Integrator und 360-Grad-Partner für optimierte Fertigung
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.
[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
