6 Bewertungen

Zukunftsfähig mit leistungsfähiger Steuerungsplattform KI in der Automatisierung

Phoenix Contact Deutschland GmbH

Viele Daten helfen wenig, wenn keine Rückschlüsse aus ihnen gezogen werden. Künstliche Intelligenz kann dabei unterstützen, die berühmten Mehrwerte zu schöpfen.

Bild: iStock, metamorworks
11.03.2019

Moderne Maschinen und Produktionsanlagen liefern Unmengen an Daten. Die Kunst liegt darin, Mehrwerte aus diesen Informationen zu generieren. Mit Künstlicher Intelligenz lassen sich Korrelationen bilden und Prozesse selbstlernend optimieren. Eine leistungsfähige und offene Steuerungsplattform bietet sich hier als Grundlage für die Implementation der KI an.

Sponsored Content

Eine aktuelle vom Bundesministerium für Wirtschaft und Energie (BMWi) beauftragte Studie beziffert die durch Künstliche Intelligenz beeinflusste zusätzliche Bruttowertschöpfung des produzierenden Gewerbes in den nächsten fünf Jahren auf rund 32 Milliarden Euro. Dies entspricht einem Drittel des gesamten, für diesen Zeitraum prognostizierten Wachstums dieses Bereichs. Der Studie nach setzen im produzierenden Bereich heute zirka 25 Prozent der Großunternehmen, aber nur 15 Prozent der kleinen und mittelständischen Unternehmen KI-Technologien ein.

Als Grundlage für den Einsatz von Künstlicher Intelligenz müssen natürlich erst einmal Daten von Maschinen, wie Temperatur, Vibration, Durchsatz, Energieaufnahme und weiteren Quellen wie Bildmaterial von Qualitätsprozessen über möglichst lange Zeiträume gesammelt werden. In modernen Produktionsbetrieben sind die technologischen Voraussetzungen durch die Vielzahl von Sensoren und die Vernetzung der Maschinen über Industrial Ethernet inzwischen überwiegend gegeben. Die erzeugten Datenmengen sind dabei so groß, dass sie mit menschlicher Leistung kaum mehr ausgewertet, korreliert und interpretiert werden können.

Über die Künstliche Intelligenz lassen sich alle Daten aber zusammenführen und dann daraus die viel zitierten Mehrwerte schöpfen. Das können neue datenbasierte Services ebenso sein wie Wissensmanagement, Produktverbesserungen oder eine optimierte Auslastung von Maschinen und Produktionsstraßen. Und Letzteres geht los mit der Erkennung von sich anbahnenden Problemen bis hin zur selbständigen Anpassung der Steuerung an flexible, sich ändernde und modulare Produktionsszenarien.

KI, Machine Learning und Deep Learning?

Mit Künstlicher Intelligenz ist es derzeit wie vor einigen Jahren mit dem Begriff Industrie 4.0: Alle reden darüber, aber die wenigsten wissen, worum es eigentlich geht. Im Zusammenhang mit der KI wird auch viel über die Technologien Machine Learning und Deep Learning geredet.

Bei der Künstlichen Intelligenz (KI) oder auch Artificial Intelligence (AI) handelt es sich um den allgemeinen Obergriff aus der Informatik und Neurowissenschaft, der auch die Technologien Machine Learning und Deep Learning umfasst. Künstliche Intelligenz ist dabei die Fähigkeit, wie ein Mensch zu denken und ein intelligentes Verhalten nachzuahmen – das schließt Eigenschaften wie Selbstlernen, Selbstreflektion und Empathie mit ein.

Eine Maschine mit Künstlicher Intelligenz trifft somit selbständig Entscheidungen. Ein berühmtes Beispiel für KI ist der bereits 1997 errungene Sieg von IBMs Deep Blue im Schach gegen Gary Kasparov. 2011 gelang dann dem IBM-Computer Watson ein symbolträchtiger Sieg im US-Spielshowklassiker Jeopardy gegen die besten Spieler. Als weiterer Meilenstein gelten die Siege von Googles DeepMind im japanischen Brettspiel Go gegen den Champion Lee Sedol.

Wenn es um Machine Learing (ML) geht, dann handelt es sich um eine Konkretisierung der Künstlichen Intelligenz. ML gilt besonders im industriellen Umfeld als der treibende Faktor bei Entwicklungen im Umfeld der KI. ML erlernt auf Basis von Daten, Lösungen zu Problemstellungen selbst zu ermitteln. Umso mehr Daten einem ML-System zur Verfügung stehen, desto besser kann es seine Algorithmen optimieren – die Genauigkeit nimmt im Laufe der Zeit bis zu einem bestimmten Grad zu.

Teilweise erfolgt die Lernphase auch mithilfe menschlicher Entscheidungen. Durch die Lernphase kann das System vergleichbare Muster erkennen und daraus die optimale Aktion ableiten. ML basiert auf einer Vielzahl mathematischer Methoden der Mustererkennung. Ein Beispiel für ML ist die Fehlererkennung in Bildern bei der Qualitätskontrolle in der Produktion.

Deep Learning (DL) kann man wiederum als eine fortgeschrittene Unterkategorie des maschinellen Lernens bezeichnen. Diese Technologie setzt auf künstliche neuronale Netze. Während bei ML mathematische Logik und die Zerlegung von Datenflüssen in hierarchische Strukturen die Basis bilden, nutzt DL als Vorbild die Natur mit biologischen neuronalen Netzen. Daten werden hier ähnlich verarbeitet, wie es die Neuronen im menschlichen Gehirn machen – dies erfolgt über mehrere neuronale Schichten, die jeweils verschiedene Probleme bearbeiten.

Die DL-Technologie kommt zum Einsatz, wenn ML an seine Grenzen stößt. Während ML-Algorithmen unabhängig von der zur Verfügung stehenden Datenmenge eine begrenzte Lernkapazität besitzen, verbessert DL seine Leistung stetig durch mehr Daten. Durch DL können beispielsweise Roboter Objekte handhaben, die unregelmäßig geformt oder angeordnet sind. Autonomes Fahren ist ebenfalls ein Beispiel von DL.

Wo ist KI in Produktionsprozessen sinnvoll?

Die KI findet in der Produktion inzwischen ein vielfältiges Einsatzgebiet mit hohem wirtschaftlichem Nutzen. Hierzu zählen die vorausschauende Wartung von Maschinen und Anlagen, kollaborierende und kontextsensitive Robotik sowie die Fertigungs- und Kapazitätsplanung ebenso wie die Qualitätskontrolle. Laut der BMWi-Studie und der Unternehmensberatung McKinsey zufolge sind vier zentrale Kernbereiche identifiziert, in denen KI über die üblichen Maße hinaus innerhalb der Produktion zum Einsatz kommen wird:

  • KI-basierte prädiktive Wartungssysteme: Predictive Maintenance erhält durch KI eine bessere Vorhersage und Vermeidung von Maschinenausfällen durch die Kombination von Daten aus Sensoren, Wartungsprotokollen sowie externen Datenquellen.

  • Kollaborative und kontextsensitive Robotik: Der Produktionsdurchsatz wird durch KI-optimierte Robotik deutlich verbessert.

  • Effizienz- und Ertragssteigerungen: Die Verknüpfung und Auswertung zahlreicher Daten über Maschinengruppen, Fertigungsstandorten und ERP-Ebenen hinweg erlaubt eine kostenoptimierte Produktion durch KI.

  • KI-basierte Qualitätskontrolle: Eine effizientere und zuverlässigere Datenverarbeitung durch Machine Learning sichert eine stetige Verbesserung der Produktqualität und verringert die Ausschussraten und Prüfkosten.

Durch KI können Qualitätsprobleme schon erkannt werden, bevor das Produkt überhaupt produziert wird. Das kann beispielsweise durch eine Bildauswertung der zugeführten Rohmaterialen via Machine Learning ebenso erfolgen wie durch sich anbahnende Toleranzüberschreitungen bei Werkzeugmaschinen innerhalb der kommenden Nachtschicht.

Die Künstliche Intelligenz eignet sich aber auch für den Wissenstransfer von erfahrenen und älteren Mitarbeitern auf neue und jüngere Kollegen. Gerade durch den fast allerorts vorherrschenden Fachkräftemangel sollte der Einsatz moderner Technologie hier forciert werden: Geht es um die Einrichtung, Bedienung, Wartung oder Reparatur von Maschinen und Anlagen, dokumentieren die Fachkräfte die Vorgänge und wichtigen Schritte durch Aufzeichnung mit Kameras. Ungeübte Mitarbeiter erhalten dann Unterstützung über Augmented Reality. Durch Bilderkennung über KI werden dann dem ungeübten oder neuen Mitarbeiter über eine Datenbrille und Augmented Reality die passenden Handlungsanweisungen eingeblendet.

Künstliche Intelligenz unterstützt Mitarbeiter in der Produktion auch durch Spracherkennung. So kann er sich über eine Datenbrille per Sprachbefehle Bedienungs- und Montageanleitungen direkt an der Maschine anzeigen lassen.

„KI-Systeme können kontextsensitiv Informationen bereitstellen, Bewegungsabläufe analysieren, das Ergebnis bestimmter Bewegungsabläufe verifizieren und dem Menschen bestimmte Eingaben während des Produktionsprozesses abnehmen. Gerade im Bereich des Wissensmanagements sehen wir deshalb großes Potenzial bei KI-gestützten Anwendungen“, ergänzt Prof. Dr. Martin Ruskowski, Forschungsbereichsleiter Innovative Fabriksysteme am DFKI und Experte für das Thema KI in der Produktion.

KI reduziert auch den Programmier- und Engineering-Aufwand bei Steuerungs- und Automatisierungslösungen. Gerade bei modularen und sich ändernden Produktionsbedingungen kann sich die Steuerung mit KI-Algorithmen einfacher und selbstlernend anpassen.

Anwendungen mit KI

Sehr schnell und einfach von Künstlicher Intelligenz profitieren lässt sich bei der Qualitätskontrolle von Produkten. Hier gibt es fertige KI-basierende Software-Lösungen, die Bildmaterial von industriellen Kameras in Echtzeit auswerten. Das KI-System lernt anhand der Bilder, wie das Produkt im Idealzustand aussieht und welche Toleranzen und Unregelmäßigkeiten noch zulässig sind. So werden selbst kleinste Kratzer oder Abweichungen zuverlässig erkannt. Gegenüber einer manuellen Prüfung durch Mitarbeiter, die hohe Konzentration erfordert und ermüdend ist, lässt sich die Fehlerquote deutlich reduzieren und der Prüfdurchsatz erhöhen.

Die Künstliche Intelligenz in der Qualitätsprüfung forciert beispielsweise Audi in seinem Presswerk. Mit einer selbst entwickelten Software werden feinste Risse in Blechteilen erkannt und markiert. Die auf Deep Learning basierende Lösung wurde mit mehreren Millionen Prüfbildern über Monate trainiert.

Die größten Herausforderungen waren Audi zufolge neben dem Aufbauen einer ausreichend großen Datenbasis das sogenannte Labeln der Bilder. Dabei markierte das Team pixelgenau Risse in den Beispielbildern. Anhand der Beispiele lernt das neuronale Netz dann selbstständig und erkennt Risse auch bei neuen, bislang unbekannten Bildern. Mehrere Terabyte an Prüfbildern aus sieben Pressen am Audi-Standort Ingolstadt und von mehreren VW-Standorten bilden die Datenbasis.

Ein weiteres Beispiel für Künstliche Intelligenz ist das Greifen von unsortiert gelagerten und unterschiedlichen Bauteilen mit Robotern. Dank Machine Learning sind Roboter in der Lage, Rückschlüsse aus praktisch durchgeführten Greifversuchen zu ziehen. Sie lernen aus Erfahrung und beherrschen den zielsicheren Griff mit der Zeit immer besser. Als Grundlage dienen die Informationen moderner 3D-Sensoren.

Das Fraunhofer IPA geht mit dem Forschungsprojekt Deep Grasping noch einen Schritt weiter: Um das zeitaufwendige Anlernen im realen Betrieb nicht zu benötigen, trainieren die Roboter bereits in einer virtuellen Lernumgebung ihre neuronalen Netze für das Greifen von Objekten. Die vortrainierten Netze werden anschließend auf den realen Roboter übertragen.

KI in der Maschine oder Cloud?

Wenn es um Künstliche Intelligenz geht, dann werden meist hohe Mengen an Daten verarbeitet und ein entsprechender Bedarf an Rechenleistung ist notwendig. Hierfür bieten sich natürlich Cloud-Infrastrukturen oder On-Premise-Rechenzentren an. Künstliche Intelligenz in der Cloud und lokalen Datacentern eignet sich dabei sehr gut für das „Antrainieren“, wo über einen langen Zeitraum hohe Datenmengen in neuronalen Netzen verarbeitet werden. Da aber die Performance im Edge-Computing und in Steuerungssystemen schon jetzt sehr hoch ist und weiter steigen wird, verschieben sich KI-Szenarien zunehmend in den maschinennahen Bereich, wie auch eine Studie von ABI Research belegt.

Das ist für den effizienten Einsatz von KI-Technologien auch dringend notwendig, weil gerade in der Feldebene schnelle, deterministische Entscheidungen benötigt werden. Steuerungssystem agieren im Mikrosekundentakt und Entscheidungen auf KI basierend müssen ebenfalls möglichst in Echtzeit getroffen werden.

Durch die hohen Latenzzeiten beim Cloud-Computing eignet sich KI in der Cloud bei vielen Anwendungen nicht, denn die Daten der Sensoren und Maschinen müssen erst zur Cloud übertragen und von KI-Algorithmen analysiert werden – anschließend erfolgt die Übertragung der Ergebnisse zurück in ein Steuerungssystem. Die entstehenden Zeitverzögerungen sind beispielsweise bei der Qualitätskontrolle in Produktionen mit sehr hohen Stückzahlen ebenso wie bei Bin-Picking mit Robotern nicht akzeptabel. Das gilt auch für autonom agierende Fahrerlose Transportsysteme (FTS), wo bei unvorhergesehenen Hindernissen sehr schnell Entscheidungen zu treffen sind.

Offene Steuerungsplattform erleichtert KI

Durch die Integration der KI in die Steuerung entfällt somit die Notwendigkeit für eine Cloud oder einen Server. Moderne Steuerungsplattformen sind mit leistungsstarken Prozessoren ausgestattet, die auch KI-Algorithmen ausführen können. Sollen neuronale Netze für Deep Learning auf der Steuerung ausgewertet werden, lassen sich die Systeme auch mit speziellen KI-fähigen Add-on-Chips ausstatten. Diese Hardware-Beschleuniger für neuronale Netzstrukturen ermöglichen dann die schnelle lokale Auswertung von rechenintensiven Bildverarbeitungsprozessen.

Als wichtige Voraussetzung für die KI-Fähigkeit einer Steuerung fungiert neben der Leistungsfähigkeit vor allem auch die Offenheit. Diese Anforderung erfüllt beispielsweise die neue Steuerungsplattform PLCnext Technology von Phoenix Contact. Durch Verwendung von Open Source Linux als Betriebssystem bei der Steuerungsplattform erhalten Anwender die Möglichkeit, auch KI-Anwendungen künftig zu integrieren.

Das minimiert nicht nur die Entwicklungskosten und Risiken, sondern erhöht die Flexibilität für sich ändernde Produktionsbedingungen. So wurde unter der Führung des Industriekonsortiums Linux Foundation im März 2018 die Deep Learning Foundation gegründet. Das Ziel der Organisation ist die Förderung und Unterstützung von Open-Source-basierenden Innovationen in den Bereichen Künstliche Intelligenz, Machine Learning und Deep Learning.

Open Source ist somit von zentraler Bedeutung für Industrie 4.0. Bei der Wahl einer Steuerungsplattform sollten Maschinenbauer und Anlagenbetreiber Linux für die Zukunftsfähigkeit des Systems als wichtiges Auswahlkriterien sehen. Diese Offenheit ermöglicht die Verwendung von freier Software und Code für individuelle Steuerungsaufgaben oder Applikationen. Gleichzeitig muss ein modernes Steuerungssystem auch einen einfachen Connect in die Cloud ermöglichen, beispielsweise für Fernwartungsszenarien über Augmented Reality oder KI-Trainingsphasen.

Verwandte Artikel