Industrie 4.0: Künstliche Intelligenz

Aktuell hat das Forschungs- und Beratungsunternehmen Gartner die Technologie-Top-Trends 2020 vorgestellt.

Mit dabei:  Hyperautomation

Hyperautomation befasst sich mit der Nutzung modernster Technologien, einschließlich künstlicher Intelligenz (KI) und maschinellen Lernens (ML), um Prozesse immer stärker zu automatisieren und den Menschen zu unterstützen.

Da es unmöglich ist, den Menschen durch ein einziges Tool zu ersetzen, besteht Hyperautomation aus einer Kombination von Werkzeugen, darunter Robotik-Prozessautomatisierung (RPA), intelligente Business-Management-Software (iBPMS) und Künstliche Intelligenz. Ziel ist es, in einem Unternehmen zunehmend KI-gesteuerte Entscheidungen zu treffen.

Quelle: https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2020/

Der Begriff "Künstliche Intelligenz" ("KI", engl.: "Artificial Intelligence" bzw. "AI") steht für einen eigenen wissenschaftlichen Bereich der Informatik, der sich mit dem menschlichen Denk-, Entscheidungs- und Problemlösungsverhalten beschäftigt, um dieses durch computergestützte Verfahren ab- und nachbilden zu können.

Definition aus: https://wirtschaftslexikon.gabler.de/definition/kuenstliche-intelligenz-54119

Aktuell leben wir in einer Welt, in der jedes einzelne intelligente Gerät nahezu permanent Daten generiert. Sobald dann noch eine Vernetzung dieser Geräte (Things) stattfindet, entstehen gewaltige Datenströme, die mit Hilfe von IoT-Lösungen genutzt werden. Der Umsetzungsgrad innerhalb der einzelnen Unternehmen, was den Einsatz einer IoT-Lösung angeht, ist allerdings sehr unterschiedlich. Während manche Unternehmen Überlegungen anstellen, die vorhandenen Daten nicht mehr - wie bisher -, traditionell zu verarbeiten, evaluieren andere Unternehmen bereits IoT-Lösungen oder setzen sie bereits produktiv ein.

Alle Unternehmen haben jedoch den gleichen Ausgangspunkt: sie sammeln, sortieren und analysieren ihre Daten.

Forschungsprojekt: Stromnetz Forensik

M&M hat ein kleines Forschungsprojekt gestartet, das die praktische Erprobung verschiedener Data Science und KI-Methoden zur Mustererkennung im industriellen Umfeld zum Ziel hat. Das Anwendungsgebiet ist die Erkennung der Spuren, die ein elektrischer Verbraucher im Stromnetz hinterlässt.

Stromverbrauch, Wirk- und Scheinleistung, erzeugte Oberwellen, etc. entsprechen gewissermaßen einem Fingerabdruck und DNA Spuren. Die Herausforderung besteht darin, dass ein Verbraucher (der „Tatverdächtige“) auch dann erkannt wird, wenn neben ihm noch andere Verbraucher ein- oder ausgeschaltet sind.

Für die Erfassung der Strommuster haben wir einen WAGO Controller mit 3-Phasen-Leistungsmessung verwendet. Er dient gleichzeitig als Gateway und überträgt die Daten in die Cloud, wo die Muster ausgewertet und den Verbrauchern (Tätern) zugeordnet werden.

Die Erkennung der Verbraucher ist nicht das einzige Anwendungsgebiet dieser Methoden. Vielmehr sehen wir hier auch das Potenzial, durch die indirekte Messung Erkenntnisse über Zustände und Nutzungsweisen von Maschinen und Anlagen oder über einen Produktionsprozess ableiten zu können.

Oft wird behauptet, die Datenerfassung ist bei KI-Projekten der einfachste Teil und die eigentliche Kunst liegt nur in der KI. Aber auch in diesem Projekt hat sich gezeigt, dass vor der Kür die Pflichtübungen ordentlich absolviert werden müssen und dass das einen Großteil der Zeit in Anspruch nimmt.

Die Auswahl und Richtigkeit der Daten und damit ein gutes Verständnis der Messhardware und der Messgrößen, legen den Grundstein für die weiteren Schritte. Bei den ersten Versuchen sind Ungereimtheiten, wie Datenlücken und Anomalien aufgefallen. Es wurde auch sehr früh klar, dass zu viel Rauschen in den Daten und starke Ähnlichkeiten verschiedener Geräte die Erkennung schwierig macht. Bessere Ergebnisse können nur durch die Erhöhung der Datenerfassungsrate erzielt werden.

Data Science und KI-Methoden zur Mustererkennung gibt es wie Sand am Meer und jede liefert, abhängig von der konkreten Aufgabenstellung, mehr oder weniger gute Ergebnisse. Daher ist die Auswahl der richtigen Methode nicht einfach und muss oft explorativ ermittelt werden.

Die Methoden-Recherche in diesem Projekt hat zu einer Flut akademischer Lösungsvorschläge geführt. Schnell war klar, dass mit vorgefertigten Services wohl nicht die gewünschten Ergebnisse erzielt werden können. Mangels umfangreicher Datensätze fielen zudem alle „Machine Learning“-Algorithmen ebenfalls vorerst aus. Diese benötigen für das Antrainieren „Big Data“ - was ein paar Messpunkte einfach nicht sind. Auch nicht, wenn sie über einen längeren Zeitraum im Millisekunden-Takt aufgezeichnet werden.

Gute Ergebnisse werden bei dieser Aufgabenstellung durch klassischen Pattern-Matching-Algorithmen erzielt, die mit unseren, vergleichsweise kleinen, Datensätzen zurechtkommen. Damit werden die Verbraucher zuverlässig erkannt. 

In einem weiteren Schritt haben wir nach ähnlichen (öffentlich verfügbaren) Datensätzen gesucht - und diese auch gefunden -, mit denen wir doch „Machine Learning“-Methoden trainieren konnten. Auch damit ist es möglich, die Verbraucher zu identifizieren, allerdings weniger gut als mit Pattern-Matching. Die besten Ergebnisse erzielte die Verkettung der beiden Methoden, also die Kombination von klassischen / mathematischen Methoden mit KI – hier spricht man üblicherweise von Transfer Learning.

Edge Computing bildet die Grundlage für die kommenden Machine Learning-/KI-Ansätze. Typischer Ansatz des Machine Learnings ist, dass in der Cloud (unter Nutzung der nahezu unendlichen Ressourcen) Modelle trainiert werden. Allerdings entstehen sowohl für die Übertragung großer Datenmengen als auch für die Nutzung des Cloud-Speichers oft hohe Kosten

Daraus resultieren zwei wesentliche Anforderungen an praxisgerechte Lösungen.

Daten, die an die Cloud geschickt werden, müssen sensibel ausgewählt werden. Große Datenmengen sollten am besten bereits vor Ort verarbeitet werden, da die Übertragung an die Cloud zu kostenintensiv ist.

Hier setzt Edge Computing an und wird damit zum Enabler für Machine Learning und weitere KI-Ansätze.

Wir sind Experten rund um das Thema IoT, Cloud und KI. Mit unserer breitgefächerten Erfahrung in der Automatisierungsbranche unterstützen wir Sie bei der Umsetzung Ihres KI- Projekts.

Unsere Leistungen:

• Erfassung von Daten aus verschiedenen Datenquellen
• Vorbereitung der Daten zur Analyse
• Nutzung von Algorithmen zur weiteren Analyse
• Evaluierung von Ergebnissen
• Implementierung der Ergebnisse in den Prozess

Modellieren von Daten:

• Visuelle und statistische Darstellung der Daten
• Interaktives Durchsuchen von Daten
• Vergleich der Daten
• Verdichtung / Aggregation von Daten
• Identifikation und Visualisierung jeglicher Art von Datenbeziehungen
• Identifizierung unbekannter Zusammenhänge und Muster
• Erkennung von Lastspitzen
• Erkennung von Anomalien

Mit der WAGO Cloud gibt es bereits ein Ready-to-Use IoT System, das zur Datensammlung genutzt werden kann.

Erfahren Sie mehr!