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

Sensorik ohne Sensor

Daten sammeln mit Software-Sensoren

Sensorik ohne Sensor

Die wichtigen Daten aus Maschinen und Anlagen – beispielsweise Temperatur, Druck oder Schall, erfassen meist zahlreiche Sensoren. Ist deren Einsatz unmöglich, könnten Software-Sensoren übernehmen. Das geschieht selten, da sie als aufwendig einzurichten und teuer gelten. Ein neuer KI-Ansatz von PerfectPattern soll das ändern.

 (Bild: ©Blue Planet Studio/stock.adobe.com) [1]

(Bild: ©Blue Planet Studio/stock.adobe.com)

Effizienz und Sicherheit der eigenen Prozesse stehen im produzierenden Gewerbe ganz weit oben. Personelle und materielle Ressourcen müssen so effizient wie möglich eingesetzt, Qualitätsmängel und Produktionsausfälle vermieden werden. Die Digitalisierung von Prozessen bietet dabei enormes Potenzial – nicht umsonst kursieren vor allem Schlagwörter wie künstliche Intelligenz, Internet of Things und Big Data in den Diskussionen um die Zukunft der Produktion. Diese Technologien bilden die Basis für Trends wie Industrie 4.0, Smart Production und die Smart Factory. Bei diesen Strategien geht es im Kern um die intelligente Vernetzung der gesamten Produktionskette. Die Basis ist das Internet of Things, oder, bezogen auf die Produktion, das Internet of Machines. Dieses Internet of Machines lebt wie alle Digitalisierungsprojekte von Daten. Diese müssen ausgewertet und analysiert werden, um so die Basis für Entscheidungen zu liefern.

Daten sammeln

Dazu greifen physische Sensoren Daten zum Zustand der Maschinen und zum Ablauf der Produktionsprozesse ab – sie vermitteln ein Bild davon, was sich in einer Produktionsanlage abspielt. Sie liefern Daten etwa zu Temperatur, Druck, (Fließ-)Geschwindigkeit, Beschleunigung oder auch Werte zu Drehzahl, Schaltzustand, Position und Schall.

Software-Sensoren

Physische Sensoren können jedoch fehleranfällig sein oder aufgrund baulicher Gegebenheiten nicht möglich sein. Zudem können viele Werte auch nur im Labor ermittelt werden. Beispiele dafür sind etwa Aspekte der Materialeigenschaften und damit der Qualität des Endproduktes. Solche Informationen liegen damit erst mit einer oft erheblichen Zeitverzögerung vor. Die Lösung können Software-Sensoren bzw. virtuelle Sensoren sein. Sie können auf Basis von physisch generierten Daten abhängige Größen vorhersagen. Diese können etwa reale Sensorwerte, Labormesswerte oder nicht direkt messbare Größen wie Qualität oder Lebensdauer sein. Dazu nutzen Software-Sensoren sogenannte Vorhersagemodelle. Sie quantifizieren die Auswirkungen der Messgrößen auf die Zielgröße und können außerdem an Veränderungen in der Systemumgebung angepasst werden – ein erneuter Lernprozess der Modelle ist für eine Anpassung oft ausreichend.

Daten sammeln mit Software-Sensoren

Sensorik ohne Sensor

 (Bild: PerfectPattern GmbH) [2]

(Bild: PerfectPattern GmbH)

Wo die Nachteile liegen

Warum aber setzen sich Software-Sensoren trotz all dieser Vorteile nur schleppend durch? Der Grund: Der Aufbau der zugrundeliegenden Vorhersagemodelle benötigt in der Regel sehr große Datenmengen und nimmt viel Zeit in Anspruch. Darüber hinaus erfordert er manuelle Eingriffe und eine intensive Beteiligung von Datenwissenschaftlern mit Fachkenntnissen. So müssen beispielsweise Daten synchronisiert und bereinigt werden sowie Beziehungen zwischen Daten extrahiert, Ursachen von Vorkommnissen analysiert und auf Basis von Zeitreihen ein Vorhersagemodell erstellt werden. Verwendet man etwa neuronale Netze als Grundlage, muss zunächst das richtige Design gefunden und anschließend aufwändig trainiert werden.

Geht es einfacher?

Zudem können konventionelle datenwissenschaftliche Methoden in vielen Fällen industrielle Anforderungen nur unzureichend erfüllen, etwa, wenn es um komplexe Sensorik-Umgebungen mit mehreren 1.000 Signalen geht und schnelle Ergebnisse gefordert sind. Die vom Münchner Unternehmen PerfectPattern entwickelte Pythia-Virtual-Sensors-Technologie soll die Generierung von Software-Sensoren nun vereinfachen. Sie nutzt die ebenfalls von PerfectPattern entwickelte Pythia-Plattform. Dadurch ist das System in der Lage, eigenständig und unbeaufsichtigt Daten zu bereinigen (synchronisieren, Anomalien entfernen, fehlende Werte einsetzen), Beziehungen zwischen Daten inklusive etwaiger Zeitversätze der Zeitreihen zu finden, sowie ein geeignetes Vorhersagemodell zu erstellen. Dazu nutzt das System ungefilterte Rohdaten – entweder Zeitreihendaten oder Daten in tabellarischer Form. Dabei kommt es schon mit sehr geringen Datenmengen für das Training aus.

Eigenständiges System

Auf dieser Basis erstellt die Technologie eigenständig Analysen und Vorhersagemodelle, einschließlich der Indikatoren für die Ursachenanalyse. Die Lösung kann auch verborgene Muster und Abhängigkeiten finden und lernt, wie es jede gewünschte Variable vorhersagen und kontrollieren kann. Dafür wird im Vergleich zu den gängigen Systemen weniger Zeit benötigt – in der Regel etwa eine Stunde, und das ohne Zuarbeit von einem Datenwissenschaftler. Der fertige Software-Sensor wird als ausführbares Programm zur Verfügung gestellt, dessen Laufzeit meist nur wenige Millisekunden beträgt.

Schneller eingreifen

Mit Pythia Virtual Sensors steht Produktionsverantwortlichen eine Lösung zur Verfügung, um sich ein Bild der Produktionsprozesse zu verschaffen. Sie haben damit auch ein Werkzeug zur Hand, Qualitätsansprüche und Produktionskosten in Einklang zu bringen. Bislang wird aus Sicherheitsgründen oft mit einer zu hohen Qualitätsmarge produziert, um oft kaum erkennbare Veränderungen im Prozess ohne Verluste der Qualität des Endprodukts kompensieren zu können. Wenn Produktionsleiter ständig über solche Änderungen im Bild sind und früh auf sie reagieren können, ließe sich der Korridor zwischen Kosteneffizienz und Qualität häufig verringern.