Industrie 4.0: KI und ML als Treiber der nächsten industriellen Revolution

Künstliche Intelligenz, kurz KI, kommt längst nicht mehr nur bei Spracherkennung, Sicherheitslösungen, im Finanz- oder Marketingbereich zum Einsatz. Auch im Industrial Internet of Things (IIoT) setzen viele Unternehmen insbesondere in der Fertigung auf KI. Mit Lösungen auf KI/ML-Basis können hier entscheidende Mehrwerte geschaffen werden, etwa indem schneller, flexibler, ressourceneffizienter produziert werden kann.

Hochwertige Daten als Voraussetzung

Sobald ein Unternehmen der Fertigungsbranche definiert hat, welche geschäftlichen Ziele es erreichen möchte, gilt es den möglichen Einsatz von KI und ML für die Umsetzung der jeweiligen Projekte genau abzuwägen. Das Feld potenzieller Anwendungen ist weitläufig: AI Driven Optimization, Data Driven Processes, Smart Production, Predictive Maintenance, Optimierung der Gesamtanlageneffektivität (Overall Equipment Efficiency – OEE), neue Services für die Kunden, eine bessere Qualitätssicherung oder nachhaltigere Produktion? Wie auch immer das angestrebte Ziel aussieht, erfolgskritisch sind große Mengen hochwertiger, relevanter Daten.

Je mehr Daten für einen Prozess vorliegen, desto aussichtsreicher ist der Einsatz von KI- und ML-Technologien. Um diese zu erhalten, sind Sensoren je nach Kontext ebenso erforderlich wie die Anbindung der Robotersteuerung, der Warehouse Management Systeme und der IoT-Geräte. Das bedeutet dann aber auch, dass oftmals viele unterschiedliche Arten von Daten vorliegen, zum Beispiel Achsen-Daten oder Metadaten, die zudem möglicherweise auch noch jeweils unterschiedliche Protokolle verwenden. Erst wenn dies alles miteinander verbunden ist, lässt sich der gewünschte Mehrwert tatsächlich erzielen.

Ein konkreter Anwendungsfall

Als Beispiel für einen konkreten Anwendungsfall der Nutzung von KI und ML im Produktionsumfeld dient die Predictive Maintenance Toolbox von BotCraft, einem Spezialdienstleister für Prozessautomatisierung mittels KI-gesteuerter Systeme im IoT- und Robotics-Umfeld. Bei diesem Ansatz werden im ersten Schritt verschiedene Arten von Daten wie etwa Big Data oder Live-Daten in die Predictive Maintenance Toolbox eingespeist. Das Tool für die automatisierte Datenanalyse analysiert die Informationen in Echtzeit und schlägt ein Clustering, also eine automatische Segmentierung, vor. So kann das Verhalten jeder einzelnen Maschine sichtbar und vergleichbar gemacht werden. Dadurch wird es möglich, gegebenenfalls manuell nachzusteuern, wenn z.B. die automatisierte Segmentierung nicht die gewünschten Resultate liefert.

Im nächsten Prozessabschnitt werden Trainingsdaten erstellt, gelabelt und mit Attributen und Features versehen. Die Daten zu labeln dient dabei der Identifizierung von Rohdaten und der Einbettung in einen Kontext, dass heißt eine Definition dessen, was die Werte konkret bedeuten. Beispielsweise muss im Falle eines Temperaturwerts festgelegt werden, ab welcher Gradzahl der Wert als zu hoch oder zu niedrig einzuschätzen ist – nur so kann das Tool daraus lernen.

Im letzten Schritt der Toolbox, dem Online Detection-System, werden die Daten der entsprechenden Prozesse automatisiert trainiert, etwa für Predictive Maintenance, Condition Monitoring, Trend Analysen oder zur Aufdeckung von Anomalien. Der Hauptvorteil der Predictive Maintenance Toolbox: Der Aufwand, Maschinendaten per Hand zu analysieren entfällt – das spart Zeit und Geld.

Konnektivität – Herausforderung und Erfolgsfaktor zugleich

Konnektivität zu schaffen, um übergreifend Daten nutzbar zu machen, stellt bei der Implementierung von KI- und ML-Anwendungen eine der größten Herausforderungen dar. Wenn zu wenige relevante Daten zur Verfügung stehen, kann die Autonomisierung und Verbesserung bestimmter Prozesse, die mithilfe von KI und ML schneller oder effizienter ablaufen können, nicht erfolgen. Ist die Verbindung zwischen zwei Knotenpunkten einmal hergestellt, können je nach Szenario erhebliche Datenmengen anfallen. Die genutzte Datenplattform muss entsprechend leistungs- und performancestark sein und zudem die erforderliche Interoperabilität zwischen den beteiligten Backend-Systemen, Anwendungen und Geräten.

Eine für IoT-Anwendungen geeignete Datenplattform wie InterSystems IRIS optimiert die Bereitstellung, Bereinigung, Harmonisierung und Auswertung von Daten signifikant. Als Fundament innovativer Lösungen wie der Predictive Maintenance Toolbox von BotCraft ermöglicht sie eine unkomplizierte, schnelle und kostengünstige Realisierung von IIoT-Projekten.

Aleksandar Kovačević

Aleksandar Kovačević ist ein Machine Learning Enthusiast, der die versteckten Superkräfte von Daten zum Vorschein bringt.

Als Sales Engineer bei InterSystems ist er mit der Aufgabe betraut, Kunden und Interessenten darüber zu informieren, was InterSystems Produkte so besonders macht. Hierbei kann er auf seine weitreichende technische Expertise zurückgreifen, die unter anderem umfassende Kenntnisse in Elektroingenieurwesen und Kommunikationstechnik sowie Software-Entwicklung und Big Data Analysen beinhaltet. Diese Fähigkeiten gründen auf zwölf Jahren Erfahrung als Wissenschaftler, Entwickler und Berater, wobei er sich in jüngerer Zeit vornehmlich mit dem Themenbereich Machine Learning auseinandergesetzt hat. Seinen überwiegend aus dem Finanzdienstleistungssektor stammenden Kunden konnte er dadurch helfen, das volle Potenzial von Machine Learning für die Optimierung von alltäglichen Geschäftsprozessen auszuschöpfen.

Kommentar verfassen

*