- IT&Production - https://www.it-production.com -

KI und maschinelles Lernen für die Produktion

Analysewerkzeuge für die Big-Data-Welt

KI und maschinelles Lernen für die Produktion

Mit der Inititative ‚Industrie 4.0‘ versuchen Wirtschaft, Politik und Wissenschaft seit 2012, die hiesigen industriellen Wertschöpfungsnetzwerke wettbewerbs- und zukunftsfähig zu erhalten. KI und Machine Learning spielen dabei eine immer wichtigere Rolle.

‘Made in Germany’ steht seit Jahrzehnten für die Qualität deutscher Ingenieursleistungen. Allerdings stehen das produzierende Gewerbe und seine Ingenieure zunehmend im internationalen Wettbewerb – mit dem bekannten Druck auf Kosten, Zeit und Qualität. Das Strategieprogramm Industrie 4.0 setzt hier an. (Bild: ©xiaoliangge/stock.adobe.com) [1]

‘Made in Germany’ steht seit Jahrzehnten für die Qualität deutscher Ingenieursleistungen. Allerdings stehen das produzierende Gewerbe und seine Ingenieure zunehmend im internationalen Wettbewerb – mit dem bekannten Druck auf Kosten, Zeit und Qualität. Das Strategieprogramm Industrie 4.0 setzt hier an. (Bild: ©xiaoliangge/stock.adobe.com)

Bei Industrie 4.0 geht es um die die durchgängige Vernetzung und Durchdringung aller Komponenten der Fabrik sowie kompletter Wertschöpfungsketten mit Sensorik, eingebetteten Systemen und Kommunikationstechnik – sogenannte cyberphysischen Systeme. Dadurch fallen große Mengen an Daten an, die wiederum die Grundlage für moderne Analyse- und Auswerteverfahren sind, die heute als künstliche Intelligenz (KI) bezeichnet werden. Heute geht man allgemein davon aus, dass KI eine Schlüsseltechnologie ist, mit der Anwender in allen Stufen der Wertschöpfung hohe Verbesserungspotenziale ausschöpfen können. Aktuelle Studien attestieren Deutschland zwar eine gute Position in der KI-Forschung, den USA aber eine wesentlich höhere Wettbewerbsfähigkeit in den KI-Anwendungen. China investiert massiv in künstliche Intelligenz, sodass chinesische Unternehmen in wenigen Jahren auf den deutschen Markt für KI-Anwendungen in der Produktion drängen werden. Darum ist es richtig, dass die Bundesregierung in ihrer KI-Strategie das Ziel formuliert, Deutschland und Europa zu einem führenden KI-Standort zu machen [2]. Die GAIA-X-Initiative als Netzwerk von Cloudplattformen und Diensten, z.B. Industrial Data Analytics unterstreichen diesen Anspruch. Die Industrielle Produktion ist dabei eines der wichtigsten Anwendungsfelder. In Demo-Fabriken und anhand konkreter Anwendungsfälle aus der industriellen Fertigung arbeitet auch das Fraunhofer IOSB an KI-Methoden und -Werkzeugen.

Ressource Kontextwissen

In der Produktion sind Daten immer im Kontext des Produkts oder der Prozesse zu interpretieren – dann sind sie wertvolle Ressourcen, um den Wertschöpfungsprozess zu verbessern oder neue Geschäftsmodelle zu entwickeln [3]. Das heißt auch, dass jeder Anwendungsfall seine spezifischen Daten erfordert. Datengestützte Werkzeuge können aber nur dann Mehrwert liefern, wenn die relevanten Aspekte von den erhobenen Daten abgedeckt werden. Daher ist es wichtig, die richtigen bzw. qualitativ hochwertige Daten aufzunehmen. Eine Hürde zum Einsatz von KI liegt derzeit noch darin, diese hochwertigen Datensätze in einem heterogenen Umfeld aus Automatisierungstechnik und Unternehmens-IT zu gewinnen: Entweder stammen die Daten aus den Maschinensteuerungen oder aus existierender bzw. nachgerüsteter Sensorik [4], die Anwender und Machine-Learning-Anbieter gemeinsam auswählen und installieren sollten. Danach ist festzulegen, welche Granularität der Daten für eine bestimmte Aufgabe erforderlich ist, wie Daten aus verschiedenen Quellen zusammengeführt werden können und in welchem Format sie übertragen und gespeichert werden. Dabei ist zu beachten, die für den Anwendungsfall richtigen Daten auszuwählen, und dann die vorhandenen Datensätze zu sortieren und sie für eine nachfolgende Modellbildung aufzubereiten. Mit den Plug&Work-Lösungsbausteinen werden auch Komponenten und Maschinen zu Datenlieferanten, die heute noch nicht vernetzt sind. Zu berücksichtigen sind außerdem Know-how zu den Themen Datensicherheit und Datenschutz, denn mehr Vernetzung bedeutet höhere Anfälligkeit gegen Cyberangriffe. Heute sind jedoch viele Technologien bereits verfügbar, deren richtiger Einsatz dafür sorgt, dass Anwender die Hoheit über Ihre Daten behalten. Entscheidend ist eine passgenaue und sichere IT-Architektur für das Sammeln, Speichern und Auswerten der Daten.

Analysewerkzeuge für die Big-Data-Welt

KI und maschinelles Lernen für die Produktion

Bild: ©strichfiguren.de/stock.adobe.com [2]

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:

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:


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