Per KI auswertbares Datenmodell
Mit der Data Collection Box können Prozessdaten schnell und sicher eingesammelt werden. (Quelle: Phoenix Contact)
MLnext-Lösungen sind aufgrund einer Virtualisierung sowohl auf einer Steuerung als auch in der Cloud ausführbar. (Quelle: Phoenix Contact)
Oft wird erklärt, dass Daten die neue Währung einer digitalisierten Welt sind. Doch was besagt diese Aussage für Bestandsanlagen? Verlieren sie ohne eine performante Datenschnittstelle ihre Attraktivität, weil sich Datentransparenz einzig durch tiefgreifende Umrüstmaßnahmen oder gar eine Neuanschaffung umsetzen lässt? Die Erfahrungen aus der eigenen digitalen Fabrik am Standort Bad Pyrmont belegen, dass lediglich rund 3 % der Daten erforderlich sind, um bereits einen Mehrwert für die Instandhaltung die Optimierung der Produktion zu schaffen. Den kleinsten gemeinsamen Nenner an Informationen bildet häufig der Energieverbrauch, der schon viel Wissen über die Anlage enthält. Denn die Darstellung des Verbrauchs der einzelnen Medien im Zeitablauf gibt einen guten Einblick hinsichtlich der Anlageneffektivität. Aber wie werden die Daten insbesondere in bestehenden Anlagen gesammelt? Zu diesem Zweck stellt Phoenix Contact sowohl mit Einzelprodukten als auch mit Ready-to-use-Lösungen ein flexibles Datenerfassungssystem zur Verfügung. Aufgrund einer dynamischen und modularen Architektur unterstützt das System den Einzug neuer Technologien in die Werkshallen. Die aufgenommenen Daten fungieren anschließend als Repräsentation des Anlagenverhaltens.
Eine manuelle Analyse der Daten wäre zeitaufwendig und ließe sich schlecht für komplette Fertigungsprozesse skalieren. Als Lösung bietet sich die Erstellung eines Datenmodells an, welches sich durch künstliche Intelligenz auswerten lässt. Durch das Trainieren auf Basis der Energiedaten kann Machine Learning (ML) hier zu einem besseren Anlagenverständnis führen. Dabei lernt das Modell aus den Vergangenheitsdaten, welche Merkmale für die Anlage charakteristisch sind, und verallgemeinert dieses Wissen nachfolgend. Als wichtig zeigt sich, dass das Modell im laufenden Betrieb angepasst und erweitert werden kann, sodass sich neue Varianten oder veränderte Verhältnisse – beispielsweise in puncto Raumtemperatur – einbeziehen lassen.
Das Wesentliche auf einen Blick:
- Eine Datenanalyse hilft dabei, ressourcenschonende Optimierungen zu identifizieren und umzusetzen.
- Machine Learning ermöglicht eine automatisierte Datenauswertung, die skalierbar und wertschöpfend ist.
- Bei MLnext handelt es sich um ein Produktportfolio rund um den Einsatz von Machine Learning im Produktionsumfeld.
- Lösungen mit MLnext schaffen eine effiziente und einfache Ready-to-use-Plattform für künstliche Intelligenz.
- Applikationsbeispiele sind unter anderem die Anomalieerkennung, zustandsorientierte Instandhaltungsmaßnahmen sowie die Überwachung von Komponenten und Versorgungssystemen.