Maschinelles Lernen

In Produktionsprozessenwird Maschinelles Lernen (ML) eingesetzt, um ganz allgemein „Wissen“ aus „Erfahrung“ zu erzeugen – Lernalgorithmen entwickeln aus möglichst repräsentativen Beispieldaten ein komplexes Modell. Dieses Modell kann anschließend auf neue und unbekannte Daten derselben Art angewendet werden. Immer, wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten verfügbar sind, zum Beispiel Sensordaten oder Bilder, bietet sich Maschinelles Lernen an [5]. Die Modelle werden mit dem Datenstrom aus dem laufenden Betrieb abgeglichen und erlauben letztlich Vorhersagen oder Empfehlungen und Entscheidungen.

Beispiele, um mithilfe von Maschinellem Lernen Qualität, Zeit oder Kosten zu verbessern, sind:

  • Anomalien im Verhalten von Maschinen oder Komponenten entdecken, weil die Verfahren zuverlässig Abweichungen vom „Normalverhalten“ eines Prozesses aufdecken und damit letztlich prädiktive Instandhaltung ermöglichen.
  • Bessere Entscheidungen in komplexen Situationen treffen, weil die Modelle die kompletten Zusammenhänge auch über mehrere Fertigungsstufen hinweg erkennen und damit zu Assistenzsystemen ausgebaut werden können.
  • Fertigungs- und Montageprozesse schnell an aktuelle Situationen anpassen, weil klare Korrelationen zwischen Mess­ergebnissen und Prozessparametern eine automatische Regelung ermöglichen.

Weitere Anwendungsgebiete Maschinellen Lernens, die aktuell bearbeitet werden, sind Mensch-Roboter-Kooperation, autonome Intralogistik und Selbstorganisation in der Fertigung.
Zu ML sind die richtigen Lern- und Modellierungsalgorithmen auszuwählen, repräsentative Trainingsdaten zu definieren, aufzubereiten und zu speichern, aus den Trainingsdaten sinnvolle Modelle zu erzeugen und dieses dann mit Laufzeitdaten zu vergleichen. Diese Aufgaben erfordern geeignete Sensorik, Softwarewerkzeuge und -architekturen. Dienstleister für Data Analytics unterstützen die Anwender auch dabei, kommer­zielle ML-Werkzeuge zu bewerten und auszuwählen.
Die ML-Forschung geht weiter: Relevant sind beispielsweise Fragen zu ML mit extrem großen oder sehr kleinen Datenmengen, zur Kombination von ML mit physikalischem oder Expertenwissen sowie Sicherheit und Transparenz von ML-Modellen.

Edge- und Cloud-Computing

Sinnvolle Anwendungen von KI erfordern qualitativ hochwertige Daten, auf deren Basis dann Modelle erzeugt werden können. Wo aber werden zukünftig die anfallenden Daten verarbeitet oder die Modelle gelernt?

Aktuell zeichnet sich ab, dass „Edge-Rechenzen­tren“ diese Aufgabe übernehmen werden. Unter Edge-Computing versteht man, Rechenleistung, Softwareanwendungen, Datenverarbeitung oder Dienste unmittelbar an die logische Randstelle eines Netzwerks zu verlagern, zum Beispiel einer Linie oder einer kompletten Fabrik. Studien prognostizieren, dass Edge-Computing durch die zu erwartende Datenvielfalt, die erforderliche Verarbeitungsgeschwindigkeit und -leistung bis zum Jahr 2025 um rund 30 % jährlich zunimmt. Edge-Rechenzentren, untereinander verbunden zu einer Cloudinfrastruktur, sind damit skalierbar und bieten auch mittelständischen Unternehmen die Möglichkeiten, Cloudtechnologien zu nutzen, ohne in eine eigene Infrastruktur investieren zu müssen.

Edge-Rechenzentren übernehmen beispielsweise folgende Aufgaben:

  • Sammeln und Interpretieren von Daten aus Sensoren und Maschinensteuerungen,
  • Maschinelles Lernen der Modelle,
  • Vergleiche zwischen Modellen und Laufzeitdaten,
  • Speichern von Messdaten, wie Bilddaten aus Qualitätssystemen,
  • Berechnen von Maschinenparametern,
  • andere maschinennahe, aber nicht echtzeitrelevante Funk­tionen.

Fazit

Die Möglichkeiten, die KI und ML im produktionsnahen Umfeld bieten, sind groß. Allerdings müssen die richtigen Rahmenbedingungen in Automation und IT gesetzt sein, um diese tatsächlich heben zu können.

Literatur:

[1]    PaiCE (Hrsg.): Studie Potenziale der Künstlichen Intelligenz im produzierenden Gewerbe in Deutschland.
[2]    Strategie Künstliche Intelligenz der Bundesregierung: www.ki-strategie-deutschland.de
[3]    World Manufacturing Forum: The 2018 World Manufacturing Forum Report – Recommendations for the Future of Manufacturing
[4]    Werthschützky, R. (Hrsg.): Sensor Technologien 2022. AMA Verband für Sensorik und Messtechnik e. V., 2018
[5]    Fraunhofer Gesellschaft (Hrsg.): Maschinelles Lernen – eine Analyse zu Kompetenzen, Forschung und Anwendung. München, 2018

Olaf Sauer
2 / 2

Ähnliche Beiträge