Suchen

Dieser Beitrag ist im Rahmen des Themenspecials "SPS 2019" erschienen.

sponsored by

Kommentar Industrie 4.0 – umgesetzt mit künstlicher Intelligenz

| Redakteur: Margit Kuther

„Eine umfassende, effiziente und langfristig sinnvolle Lösung kann nur dann gefunden werden, wenn modellbasierende Entwicklung und Künstliche Intelligenz Hand in Hand gehen.“ Diese These vertritt Philipp Wallner von MathWorks in seinem Gastkommentar.

Firmen zum Thema

Hochperformante Software wurde in den letzten Jahren auch im Maschinenbau zunehmend wichtiger und bestimmt Entwicklungszyklen inzwischen maßgeblich mit.
Hochperformante Software wurde in den letzten Jahren auch im Maschinenbau zunehmend wichtiger und bestimmt Entwicklungszyklen inzwischen maßgeblich mit.
(Bild: gemeinfrei / Pexels)

Wie jedes Jahr im November steht die SPS 2019 in Nürnberg vor der Tür (26. – 28.11.2019). Und ein weiteres Mal wird dort die Frage dominieren, wie die Digitalisierung im Maschinen- und Anlagenbau umgesetzt und für die Wertschöpfung genutzt werden kann.

In den letzten Jahren hat sich der Stellenwert von Software im Maschinen- und Anlagenbau grundlegend geändert. Heute spielt die Software eine zentrale Rolle: Sie bestimmt den Entwicklungszyklus entscheidend mit, da sie mittlerweile maßgeblich die Funktionsweise von Produktionsanlagen, Maschinen und Komponenten definiert. So ist Softwarekompetenz zum Schlüsselaspekt im Rahmen von Industrie 4.0 geworden. Zwei Anwendungsbereiche, mit denen sich der Maschinenbau bereits heute in der Praxis beschäftigt, sind die virtuelle Inbetriebnahme auf Basis von modellbasierter Entwicklung und Predictive Maintenance auf Basis von Maschinendaten unter Einsatz von Methoden der künstlichen Intelligenz.

Virtuelle Inbetriebnahme auf Basis von modellbasierter Entwicklung

Virtuelle Inbetriebnahme ermöglicht es, Programme, die im Betrieb auf einer Industriesteuerung ausgeführt werden, vorab mithilfe eines Modells der Maschine – also einer „virtuellen Maschine“ – zu testen, und reduziert so die Inbetriebnahmezeit an der physikalischen Maschine. Modellbasierte Entwicklung geht hier gegenüber herkömmlichen Methoden für die virtuelle Inbetriebnahme noch einen Schritt weiter. Während das Modell üblicherweise nur die Strecke – also die Maschine oder Teile davon – abbildet, werden bei der modellbasierten Entwicklung sowohl Strecke als auch Steuerung – also jene Funktionalität, die später auf der Steuerung läuft – im Modell umgesetzt und über den gesamten Entwicklungszyklus hinweg für die Simulation, die Verifikation und die automatische Codegenerierung verwendet.

Damit rechnet sich der Aufwand für die Erstellung des Modells deutlich schneller als bei der traditionellen virtuellen Inbetriebnahme. Darüber hinaus dienen die mittels modellbasierter Entwicklung erstellten Modelle immer häufiger auch als Ausgangspunkt für einen digitalen Zwilling der Maschine oder Anlage.

Mit digitalem Zwilling und künstlicher Intelligenz das Potential modellbasierter Entwicklung voll ausschöpfen

Der laufende Betrieb nimmt einen weitaus längeren Zeitraum im Lebenszyklus einer Maschine ein als ihre Entwicklung. Durch die kontinuierliche Auswertung von Messdaten mithilfe eines digitalen Zwillings – also einer digitalen Repräsentation der Maschine oder Anlage – kann der Betreiber Einblicke in den Zustand der Maschine bekommen und etwa einen Defekt bereits erkennen und beheben, bevor dies zu einem kostenintensiven Stillstand führt. Als besonders wirkungsvoll haben sich dabei Algorithmen herausgestellt, die sowohl das Domänen-Knowhow der entsprechenden Experten als auch Technologien für die künstliche Intelligenz – zum Beispiel Machine Learning oder Deep Learning – kombinieren.

Ein Problem, vor dem Anwender von Technologie für die künstliche Intelligenz in der Praxis oft stehen, ist, dass sie nicht über genügend Messdaten verfügen, um ihre Machine Learning Algorithmen zu trainieren. Vor allem mangelt es an Fehlerdaten, aus denen der Algorithmus für den Ernstfall lernen kann. Hier schaffen Simulationsmodelle Abhilfe, indem verschiedene Szenarien – darunter auch unterschiedliche Defekte und Fehlerfälle – simuliert, und so synthetische Fehlerdaten generiert werden.

Flexible Implementierung als Schlüssel für die praktische Umsetzung im Betrieb

Philipp Wallner arbeitet als Industry Manager, EMEA, Industrial Automation & Machinery bei MathWorks.
Philipp Wallner arbeitet als Industry Manager, EMEA, Industrial Automation & Machinery bei MathWorks.
(Bild: Ron Bouley Photography)

Damit Algorithmen etwa für die vorausschauende Wartung auch tatsächlich im laufenden Betrieb erfolgreich zum Einsatz kommen, müssen sie auf unterschiedlichen Zielsystemen implementiert werden können. So werden zum Beispiel zeitkritische Regelkreise und Filteralgorithmen für die Vorverarbeitung von Messdaten in der Regel direkt auf der SPS an der Maschine in Echtzeit gerechnet. Die automatische Codegenerierung sorgt dafür, dass in der Simulation in Simulink und Stateflow getestete Funktionen auf Knopfdruck in echtzeitfähigen C, C++ oder IEC 61131-3 Code übersetzt werden.

Andere, weniger zeitkritische Algorithmen, etwa für die Überwachungslogik oder für die statistische Auswertung der vorverarbeiteten Daten für Machine Learning oder Deep Learning, werden auf Edge Devices oder in der Cloud ausgeführt. Auch hier sorgen entsprechende Mechanismen dafür, dass die entsprechende Übersetzung reibungsfrei funktioniert.

So gelingt der Einstieg in den Einsatz von modellbasierter Entwicklung und künstlicher Intelligenz

In den meisten Unternehmen ist die Basis in Form von CAD-Modellen schon gelegt. Diese können mit geringem Aufwand in entsprechende Software für die modellbasierte Entwicklung importiert werden. Auch Messdaten der Maschine oder Anlage liegen in der Regel in umfangreichen Mengen vor und können durch mittels Simulation generierter Datensätze ergänzt werden. Diese Daten bilden das Fundament für den erfolgreichen Einsatz von Machine Learning und weiteren Verfahren aus dem Bereich der künstlichen Intelligenz.

Mit zunehmender Softwarekomplexität und steigenden Datenmengen wird es zukünftig immer wichtiger, dass die verwendeten Software-Werkzeuge nahtlos miteinander arbeiten. So unterstützen und stärken sich beide Bereiche – die modellbasierte Entwicklung und die künstliche Intelligenz – gegenseitig.

Dieser Beitrag ist ursprünglich auf unserem Partnerportal Elektronikpraxis erschienen.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46234091)