gesponsertAlltag statt Science-Fiction Wie künstliche Intelligenz die Produktion unterstützt

Noch ist künstliche Intelligenz in der Automatisierung von Maschinen und Anlagen nicht weit verbreitet. Dabei ist der Nutzen von KI enorm, wenn sie auf die speziellen Anforderungen industrieller Anwendungen zugeschnitten ist.

Nach wie vor gibt es jedoch Vorbehalte gegen den praktischen Nutzen von KI in Anlagen, die bereits hoch automatisiert und – so zumindest die Einschätzung von Entwicklern und Anwendern – bereits stark optimiert sind. Zudem fehlt es gerade im Bereich der Maschinen- und Anlagenentwicklung oft an Fachwissen zu KI, weswegen der Einstieg in die neue Technologie als große Hürde wahrgenommen wird. Dabei ist KI gerade in der Industrie eigentlich kein besonders revolutionäres Konzept: Auch die Anlagenautomatisierung nutzt Daten aus der Maschine und Anlage, um Prozesse zu steuern oder die Mitarbeiter in der Fertigung zu unterstützen. Neu an künstlicher Intelligenz ist allerdings, wie die Daten dabei genutzt werden. In der klassischen Automatisierung werden die Daten nicht interpretiert, sondern als Schwell- oder Grenzwerte genutzt, um anhand definierter Regeln Signale zu schalten. KI-Anwendungen sind hingegen in der Lage, externe Daten richtig zu interpretieren, aus diesen Daten zu lernen und diese Erkenntnisse zu nutzen, um bestimmte Ziele und Aufgaben durch flexible Anpassung zu erreichen.

KI als sinnvolle Ergänzung zur klassischen Automatisierung

KI-basierte Anwendungen sind dadurch in der Lage, die Automatisierung in vielen Bereichen sinnvoll zu ergänzen. Ihren größten Nutzen spielen sie aber dort aus, wo die klassischen Methoden an ihre Grenzen stoßen – zum Beispiel bei unscharfen oder komplexen Rahmenbedingungen und großen Datenmengen. Solche Aufgabenstellungen finden sich zum Beispiel im Bereich der Zustandsdiagnose von Maschinen und Anlagen, aber auch im Bereich der Qualitätskontrolle. Daneben finden sich KI-Anwendungen auch bei autonomen oder teilautonomen Produktionskomponenten und in der Robotik, wo eine hohe Variantenvielfalt oder wechselnde Umgebungsbedingungen in die Automatisierung einbezogen werden müssen. Anstelle aufwendig programmierter regelbasierter Lösungen agiert hier ein selbstlernender Algorithmus. KI hilft so, Anomalien in Datensätzen zu erkennen, Komponenten anhand typischer Muster zu identifizieren oder den Anlagenzustand anhand von Schwingungsmustern zu erkennen. Dadurch lassen sich bislang schwierig zu lösende Aufgaben effizient lösen.

Mehr Verfügbarkeit durch vorausschauende Instandhaltung

Eine dieser Anwendungen ist die vorausschauende Instandhaltung. Maschinen und Anlagen werden traditionell in definierten Intervallen gewartet – nach einer bestimmten Zahl von Betriebsstunden oder auch in bestimmten Zeitintervallen. Was dabei nicht berücksichtigt wird, ist, wie stark die Maschine im Betrieb tatsächlich beansprucht wurde. Daraus ergeben sich zwei Szenarien. Einmal ist die Wartung vielleicht noch gar nicht erforderlich, was zu unnötigen Stillstands- und Instandhaltungskosten führt – oder die Maschine wurde mehr beansprucht und müsste früher gewartet werden als geplant. In diesem Fall besteht die Gefahr, dass die Maschine ungeplant ausfällt, was ebenfalls mit hohen Kosten verbunden ist.

So kam es in einer Produktionslinie für Leiterplatten immer wieder zu ungeplanten Ausfällen, da die Spindel einer Leiterplattenfräse aufgrund von anfallendem Frässtaub immer wieder blockierte. Dann stand die Maschine bis zu zwei Schichten lang still. Die Herausforderung bestand darin, dass der Zeitraum, in dem die Störung auftrat, zwischen einem und sechs Monaten variierte. Um zu erkennen, wann ein Ausfall bevorstand, wurde daher eine KI mit Maschinendaten trainiert und die Inferenzanwendung dann auf einen Industrie-PC an der Maschine implementiert. Die KI erkennt anhand der aktuellen Maschinendaten den Ausfall einer Maschine schon 12 bis 36 Stunden vor dessen Eintreten. Dadurch kam es seitdem zu keinem einzigen ungeplanten Ausfall, was die Produktivität der Anlagen erheblich verbesserte. Im konkreten Fall profitieren davon 18 Maschinen. Die berechneten Gesamteinsparungen belaufen sich auf einen sechsstelligen Betrag pro Jahr.

Industrielle Anwendungen haben eigene Rahmenbedingungen

Das Potenzial von KI in der Industrie ist also enorm – allerdings steht dem Nutzen immer auch ein gewisser Aufwand für die Entwicklung, Implementierung und Pflege gegenüber. Damit die KI lernt, welche Entscheidungen erwünscht und welche unerwünscht sind, muss sie zuerst anhand meist großer Datenmengen trainiert werden. Dieser Lernprozess erfordert eine hohe Rechenleistung. Der nächste Schritt besteht dann darin, die gewonnenen Erkenntnisse auf die Aufgabe anzuwenden. Diese Inferenz benötigt eine geringere Rechenleistung. Aus diesem Grund werden die Systeme meistens getrennt aufgebaut: eine Trainingsmaschine mit sehr hoher Rechenleistung und ein eigener Inferenzrechner zur Ausführung des trainierten Algorithmus. Das reduziert zum einen den Aufwand und die Kosten für die Hardware, da die leistungsstarke Maschine zentral zum Training verschiedener Algorithmen verwendet werden kann und mehrere kleinere Systeme vor Ort den ausführenden Part übernehmen. Zum anderen ermöglicht es diese Trennung, das Training außerhalb der Produktion oder auch in einer Cloud-Umgebung stattfinden zu lassen. Lediglich die Inferenzrechner werden in der Fertigungsumgebung installiert.

Industriegerechte Hardware als Basis

Für die Inferenz – also die eigentliche Anwendung der KI in der Fertigung – ist es daher wichtig, dass sich die entsprechenden Systeme möglichst nahtlos in die bestehende Architektur einfügen. Geeignete Hardwareplattformen sind entweder in die Automatisierung integrierbar oder nutzen entsprechend robuste Industrie-PC, die durch integrierte Beschleunigerkarten und spezielle Schnittstellen auf KI-Applikationen zugeschnitten sind. Einer der Anbieter, der es sich zum Ziel gemacht hat, KI für die Industrie weiterzuentwickeln, ist Siemens. Simatic Industrie-PC sind nicht nur seit vielen Jahren als Plattform für Automatisierungs- und Visualisierungsaufgaben in der Industrie im Einsatz, sondern unterstützen auch moderne KI-Anwendungen. Neben leistungsfähigen Rack-PC für das Training gehören zum Portfolio auch besonders robuste Box-PC, die direkt an der Maschine installiert werden können. Neben kompakten Embedded IPC mit verschiedenen AI-Beschleunigern gehört jetzt auch eine speziell für AI-basierte Applikationen entwickelte Plattform zum Portfolio. Die Simatic IPC520A Tensorbox basiert auf der Nvidia-Xavier-Nx-Technologie. Auf Basis des umfangreichen Nvidia-Software-Angebots lassen sich damit zahlreiche AI-Anwendungen umsetzen, zum Beispiel im Bereich der bildgesteuerten automatisierten Qualitätskontrolle (siehe Kasten), der vorausschauenden Wartung oder für die Umgebungs- und Hinderniserkennung bei autonomen Fahrzeugen. Allen Box-PC gemeinsam ist das robuste Design, eine lange Hardwareverfügbarkeit sowie umfangreiche integrierte Diagnosemöglichkeiten und Industrial-Security-Funktionen.

Werkzeuge und Services für die effiziente Implementierung

Um den Einsatz von KI in industriellen Anwendungen zu erleichtern, müssen sich die Applikationen aber auch effizient umsetzen lassen. Damit sich KI und Automatisierung gemeinsam projektieren lassen, werden die Automatisierungstechniker mit fertigen, getesteten und ablauffähigen KI-Modellen als Teil des Automatisierungsportfolios unterstützt. Umgekehrt gibt es mit der KI Expert Toolbox ein Werkzeug, mit dem Data Scientists KI-Lösungen industriegerecht umsetzen können. Zusätzlich werden die Anwender auch mit speziellen Serviceleistungen, bei denen die KI-Lösung als Paket installiert und von Anbietern als Abonnement betrieben wird, unterstützt. Je nach Anforderungen und eigenen Ressourcen können sich Anwender so das für sie richtige KI-Paket zusammenstellen und so die Einstiegshürden für KI in ihrer Fertigung senken..

Mehr als Daten und Algorithmen

Neben den technischen Aspekten ist KI aber vor allem eine Technologie, die die Menschen in Entwicklung und Produktion unterstützt. So lassen sich zum Beispiel Arbeitsbereiche überwachen, um Bewegungen und Wege in Heatmaps zu erfassen, und so Arbeitsplätze und Abläufe optimieren und Belastungen für die Beschäftigten reduzieren. Der Vorteil der KI ist dabei, dass ihr zur Bewegungserfassung auch ein unscharfes Bild genügt, das keine Rückschlüsse auf die jeweilige Person ermöglicht. So lassen sich Optimierungen auch vollständig anonym durchführen. Servicemitarbeiter profitieren von der KI, weil mit ihr ungeplante und daher besonders kritische Stillstände vermieden werden, und Entwicklern hilft die KI, aufwendige Analysen zu automatisieren und neue Lösungsansätze zu finden. Am Ende wird die KI auch in der Industrie ein Teil des Produktionsalltags sein – und genauso selbstverständlich, wie es die unsichtbaren Helfer im Privaten schon lange sind.

* Wolfgang Lay ist Marketing Manager Industrial Computing und Arun Kumar Senior AI Expert bei der Siemens AG.

(ID:48775236)