Maschinenkonnektivität Keine Angst vor Künstlicher Intelligenz in der Produktion

Mit Industrie 4.0 und schließlich Künstlicher Intelligenz sollten sich alle beschäftigen, um den Anschluss nicht zu verpassen. Wie der Status ist und wie man es richtig macht, erklären drei Experten.

Anbieter zum Thema

MPDV Mikrolab GmbH

Schneider Electric GmbH

Trebing & Himstedt Prozeßautomation GmbH & Co. KG

iT Engineering Software Innovations GmbH

Industrie 4.0 ist ein bekannter Begriff und ein breit aufgestelltes Themenfeld. Trotzdem gestaltet sich die ganzheitliche Umsetzung noch schwierig – besonders im sogenannten Brownfield. Moderne Tools bieten aber deutliches Verbesserungspotenzial, das sich sowohl für Nutzer von Maschinen und Anlagen als auch für die Maschinenbauer selbst auswirkt. Das liegt nicht zuletzt an der steigenden Anzahl lukrativer Use Cases. Jedoch sind Unternehmen als Anwender und Umsetzer auch weiterhin mit Herausforderungen, beispielsweise bei der Nachrüstung und Anbindung von Bestandsanlagen, konfrontiert. Um Empfehlungen entwickeln zu können, die die Probleme lösen helfen, wurde zum Abschluss des Forschungsprojekts „EN-AI-BLER – Intelligente Bereitstellung von Produktionsdaten zur Steigerung der Wertschöpfung durch KI-Anwendungen“ eine Befragung zum Status Quo des Umsetzungsgrads von Industrie 4.0 in der Produktion durchgeführt. Analysiert wurden dabei der grundsätzliche Stellenwert, die Kundennachfrage, der Stand im Bereich der Datenaufnahme und -verarbeitung, nebst die damit einhergehenden Hemmnisse und Hürden bei der Digitalisierung.

Das liefern aktuelle Umfrageergebnisse:

Die Nachfrage ist da! Das bestätigen die Antworten bei der Umfrage zum Thema KI in der Produktion. Knapp 80 Prozent der befragten Personen geben an, dass sie mindestens gelegentlich, teilweise sogar regelmäßig von ihren Kunden nach Industrie 4.0 Lösungen in ihren Anlagen gefragt werden (Diagramm 1). Sol ist es wenig verwunderlich, dass auch 85 Prozent der Befragten bereits Daten aus ihren Maschinen im Rahmen von Anwendungsfällen im Bereich Industrie 4.0 verwenden. Dabei werden unterschiedliche Nutzen für die Verwendung der Daten genannt. Häufig werden Kennzahlen ausgewertet und visualisiert, was zur Rückverfolgung von Prozessen sowie zur Qualitätsüberwachung dient. Darüber hinaus wird auch die Datenanalyse von Prozessparametern umgesetzt.

Im Rahmen der strategischen Ausrichtung der Unternehmen ist es vor allem das Thema der technischen Befähigung und der Aufbau der internen Strukturen, dass den Befragten wichtig erscheint. Dabei liegt ein besonderer Fokus auf der Maschinenkonnektivität. Auch sind die Sensorintegration und -nachrüstung sowie die Datenverarbeitung und -auswertung essentielle Aspekte. Die Umsetzung konkreter Industrie-4.0-Anwendungsfälle steht zwar hinter diesen Themen an, ist den Unternehmen aber trotzdem wichtig. Vor allem Condition Monitoring und Predictive Maintenance genießen eine hohe Priorität. Technologisch wird hauptsächlich auf den Standard OPC UA gesetzt.

KI-Einführung

Wie Sie KI-Projekte auf ihre Machbarkeit prüfen – Teil 1

Hürden und Wegbereiter der Digitalisierung

Als größtes Hemmnis, um Maschinendaten im Rahmen von Industrie-4.0-Anwendungen verwenden zu können, werden von 66 Prozent der befragten Personen fehlende personelle Ressourcen genannt (Diagramm 2). Zu 19 Prozent bremst fehlendes technisches Wissen den Fortschritt aus, sowie fehlende Unterstützung des Managements (11 Prozent). Das intern vorhandene Wissen wird von den Teilnehmenden sowohl im Bereich technische Systeme und Prozesse als auch in übergreifenden Themengebieten, wie Geschäftsmodellen und Vereinheitlichung von Workflows dabei sehr unterschiedlich bewertet.

Eine gute Wissensbasis, die auch zukünftig weiter ausgebaut werden soll, wird von den befragten Personen den eigenen Unternehmen in den Bereichen Datenvisualisierung, standardisierte Vorgehensmodelle zur Projektierung von Steuerungstechnikprojekten sowie der einheitlichen Anbindung von Maschinendaten bescheinigt. Einige Unternehmen geben an, dass sie diese Vorgehensweisen bereits in mehreren Projekten anwenden, der unternehmensweite standardisierte Einsatz jedoch noch in Arbeit ist.

Auch das Finden geeigneter Software-Anwendungen zeigt sich als Herausforderung. Als wichtigstes Kriterium für die Auswahl einer Software-Anwendung wird von den befragten Personen eine einfach bedienbare Nutzeroberfläche genannt. Weitere Entscheidungshilfen sind standardisierte Schnittstellen, die technische Skalierbarkeit der Anwendung, geringe Anschaffungskosten sowie eine kurze Einarbeitungszeit.

Forschungsarbeit für die Standardisierung

Maschinenkonnektivität war auch ein zentrales Thema des oben genannten Forschungsprojektes. Das Ziel war es, auch in heterogenen Produktionslandschaften mit vielen Maschinen und Anlagen eine konsistente Datenpipeline zu erschaffen. Im Rahmen des mittlerweile abgeschlossenen Projekts wurde dabei ein Schwerpunkt auf die Standardisierung und die automatische Datenstrukturierung [2,3] im Brownfield gelegt und an einem KI-basierten Identifikationsalgorithmus [4,5] gearbeitet, um nicht-standardisierte Maschinen und Anlagen an Plattformen anbinden zu können [1]. Das hilft, dass eine nachrüstbare Datenpipeline entsteht, mit der auch bestehende Anlagen über Branchengrenzen hinweg KI-Modelle nutzen können.

Problemlos von der Feldebene in die Cloud

Bestehende Softwarekomponenten wie etwa OPC UA oder MQTT ermöglichen bereits die Anbindung von heterogenen Datenquellen im Produktionsumfeld. Zugleich ist die Maschinensteuerung selbst eine wesentliche und zentrale Datenquelle. Durch umfangreiche Optionen in der Verbindungsherstellung und Konfiguration können dabei verschiedene Quellen zusammengeführt und Variablen nach Wahl des Nutzers gesammelt werden. Jedoch bleibt eine zeitaufwändige und manuelle Identifikation der Daten, um eine Zuordnung von Maschinen und Steuerungsparametern vorzunehmen. Abhilfe leistet eine automatisierte Parameteridentifikation, an der im Rahmen des Forschungsprojektes gearbeitet wurde. Sie ermöglicht den Einsatz von intelligenter Datenverarbeitung durch einfachen und schnellen Datenzugriff und Parameterzuordnung. Zusätzlich ist für den effizienten Einsatz von Softwarelösungen wichtig, dass die Leistungsfähigkeit der Maschine wie auch die Prozesse der gesamten Anlage nicht beeinträchtigt werden. Um dies sicherzustellen, bietet sich die Auslagerung der Datenspeicherung in Echtzeit auf einer Edge Cloud an. Eine passende Systemsicht, wie die Anbindung von Sensoren oder Steuerungen von der Feldebene in Cloud-Plattformen aufgebaut werden kann, ist in Abbildung 3 dargestellt.

gesponsertTrend-Dossier

Expertenmeinungen Industrie 4.0 - Trends 2022

IIoT Building Blocks als hilfreiche Bausteine

Die Umfrageergebnisse dienten bei der Projektarbeit der Evaluation entwickelter Softwarefunktionalitäten, um den Maschinenbauern und -anwendern ein anpassbares und modulares System zur Datenspeicherung und -verwendung zur Verfügung zu stellen. Die IIoT Building Blocks sind ein dafür geeignetes Produkt, das iT Engineering Software Innovations anbietet, dessen Konzept eine stetige Weiterentwicklung und Erweiterung um nutzenstiftende Funktionalitäten vorsieht. Die IIoT Building Blocks ermöglichen durch eine Kombination aus Softwarekomponenten und Open-Source-Technik die Sammlung, Speicherung und Auswertung von Daten sowie die Anwendung von Methoden des Maschinellen Lernens im Rahmen der Produktion. Aufgegliedert in drei Bausteine unterstützen einzelne Komponenten den Prozess von der Sammlung der Daten bis zur Auswertung auch bei individuellen Anwendungsfällen. Darüber hinaus können damit Daten verschiedener Produktionsmaschinen übersichtlich zusammengeführt werden, um den heterogenen Strukturen auf dem Shopfloor gerecht zu werden.

Zwei Bausteine sind besonders wichtig

Einen großen Stellenwert hat dabei der Baustein Collect, der die schnelle und einfache Datenerfassung sichert. Dies ermöglichen drei selbstentwickelte Softwarekomponenten (Bild 4). 1. Der Data Collector erfasst große, hochfrequente Datenmengen auf dem Shopfloor. 2. Die Collector App richtet das System auf einfache Weise ein: etwa die Konfiguration von Dateninputs und -outputs sowie die Auswahl und Zuordnung der zu erfassenden Daten. 3. Der Browser unterstützt bei der Visualisierung und Auswahl von Variablen der Maschinensteuerungen.

Der zweite Baustein heißt Explore. Mit ihm werden relevante Daten optisch aufbereitet und strukturiert ausgewertet, während der eigentliche Nutzen der Daten im Baustein Improve entsteht. Die erfassten Daten werden dort statistisch htht, Korrelationen identifiziert und passende Machine-Learning-Modelle trainiert. Dabei dienen Open-Source-Tools zur Visualisierung und Anwendung von Methoden im Sinne von Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML). Auf Basis der gewonnenen Informationen und Prognosen können die Prozesse optimiert, Wartungszyklen angepasst oder Fertigungsqualitäten erhöht werden. Somit sind die IIoT Building Blocks ein effizientes Werkzeug zur Umsetzung der im Rahmen der Umfrage als wichtig erachteten Anwendungsfälle.

Künstliche Intelligenz

Reinforcement Learning in der Produktion: erste Schritte für KMU

Fazit und Ausblick auf die Zukunft von Produktionsumgebungen

Der Nutzen, der durch die Auswertung von Daten im industriellen Umfeld geschaffen werden kann, wird von den befragten Unternehmen durchaus gesehen und für wichtig erachtet. Der Status Quo sowie die Einschätzung des vorhandenen Wissens zeigt eine positive Entwicklung und Offenheit der Unternehmen, diese Kompetenzen weiter auszubauen.

Passend dazu sollen zukünftig auch die vorhandenen Softwaremodule der IIoT Building Blocks unter anderem in Bezug auf die Adaptierbarkeit unterschiedlichster Maschinensteuerungen angepasst und die Anzahl der verfügbaren Inputschnittstellen erweitert werden. Wissenschaftlich wird weiterhin die Herausforderung der Datenknappheit bei KI-Algorithmen untersucht. Darüber hinaus sollen Lösungen für weitere Herausforderungen im Produktionsumfeld geschaffen werden, um die Daten auch wirklich zum „Gold des 21. Jahrhunderts“ zu verwandeln und sie wertstiftend zu nutzen.

Das Projekt wurde übrigens in Kooperation des wbk Institut für Produktionstechnik am Karlsruher Institut für Technologie (KIT), Braun Sondermaschinenbau, der die Expertise als Hersteller von Fertigungs- und Montageanlagen mitbrachte und iT Engineering Software Innovations durchgeführt. Es wurde im Rahmen des KI-Innovationswettbewerbs Baden-Württemberg vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg gefördert.

Literatur

[1] wbk Institut für Produktionstechnik: Forschungsprojekt EN-AI-BLER. 2021. https://www.wbk.kit.edu/4398.php [Zugriff am: 10.03.2022]

[2] Netzer, M.; Palenga, Y. & Fleischer, J., „Machine tool process monitoring by segmented timeseries anomaly detection using subprocess-specific thresholds“, Production Engineering (2022)

[3] Netzer, M.; Michelberger, J. & Fleischer, J., „Intelligent Anomaly Detection of Machine Tools Based on Mean Shift Clustering“. Procedia CIRP 93 (2020), Elsevier, S. 1448-1552.

[4] Gönnheimer, P.; Karle, A.; Mohr, L. & Fleischer, J. (2021), „Comprehensive Machine Data Acquisition through Intelligent Parameter Identification and Assignment“. Procedia CIRP, Elsevier, S. 720-725. 10.1016/j.procir.2021.11.121

[5] Gönnheimer, P.; Netzer, M.; Mohr, L.; von Hörsten, G. & Fleischer, J. (2020), „Erhöhung der Skalierbarkeit von KI-Anwendungen in Produktionsanlagen durch intelligente Parameteridentifikation und Datensegmentierung“, ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, S. 517-519. 10.3139/104.112318

* Judith Armbruster ist Produktmanagerin IIoT Building Blocks bei der iT Engineering Software Innovations GmbH in Pliezhausen. Philipp Gönnheimer ist Gruppenleiter für Werkzeugmaschinen und Mechatronik am WBK Institut für Produktionstechnik des KIT in in Karlsruhe. Markus Netzer ist in der Abteilung Werkzeugmaschinen und Mechatronik wissenschaftlicher Mitarbeiter am WBK Institut für Produktionstechnik des KIT.

(ID:48127299)