Bild 2: Vorbereitung der Ground-Truth-Daten als Grundlage für das Training. © Mathworks

Da KI datengesteuert arbeitet, ist die Datenaufbereitung ein entscheidender Schritt. Je besser die Datengrundlage und die zugehörige Ground-Truth-Kennzeichnung (hier die Einstufung der Teile als "gut" oder "schlecht") sind, desto verlässlicher ist das Ergebnis. Tools wie Signal-Labeler-Apps können diesen Prozess unterstützen (Bild 2). Im Beispiel werden Bilder intakter und defekter Sechskantmuttern unter unterschiedlichen Lichtverhältnissen verwendet. In Fällen, in denen reale Daten schwer zu erhalten sind, kann die Datenbank durch Datenaugmentation oder Simulation erweitert werden.

Simulationen eignen sich insbesondere, um Fehlerdaten zu generieren: Die physikalischen Modelle aus der Maschinenkonstruktion können als digitale Zwillinge dienen. Die erzeugten Daten zu unterschiedlichen Fehlerzuständen können für das Trainieren von KI-Modellen genutzt werden.

Schritt 2: Modellierung und Training der KI

Nach der Datenaufbereitung wird ein Deep-Learning-Modell trainiert. Mit Matlab und der Deep Learning Toolbox stehen mehrere Optionen zur Verfügung: Netzwerke können

1. mit der Deep Network Designer-App von Grund auf,
2. als Funktion in einer benutzerdefinierten Schleife oder
3. durch Transfer Learning auf Basis eines vortrainierte

Modells trainiert werden.

Bild 3: Training mit Deep Learning Toolbox und Transfer Learning. © Mathworks

Im Beispiel mit den Sechskantmuttern wurde Transfer Learning auf zwei importierte faltungsneuronale Netze angewendet. Dabei wurden 1000 Bilder von Muttern geladen, die mit "OK" und "Nicht OK" gekennzeichnet waren (Bild 3). Ein Netzwerk erwies sich als sehr genau, war jedoch zehnmal langsamer und wurde daher verworfen. Das andere, ‚SqueezeNet‘, war ausreichend genau. Durch Filterbeschneidung konnte die Geschwindigkeit verdoppelt werden, bei nur 7 % Genauigkeitsverlust. Die Deep Learning Toolbox unterstützt Ingenieure bei der Bewertung verschiedener Netzwerke hinsichtlich Größe, Geschwindigkeit und Genauigkeit.

Schritt 3: Simulation und Test

Bild 4: Integration und Test des KI-Modells im Systemkontext. © Mathworks

In diesem Schritt wird die KI-Funktion in das Gesamtsystem integriert und simuliert, getestet und optimiert (Bild 4). Dies kann anhand des Anlagenmodells als digitaler Zwilling erfolgen, um die Eigenschaften des Regelalgorithmus zu bewerten. Der Arbeitsablauf entspricht der Integration anderer mit Matlab oder Simulink entworfener Komponenten.

Das neuronale Netzwerk wird als Matlab-Funktion eingebunden. Tests und Verifikationen können weitgehend automatisiert ablaufen. Ingenieure überprüfen, ob die KI-Funktion im Zusammenspiel mit anderen Steuerungsfunktionen, Kameras und angeschlossenen E/A wie vorgesehen arbeitet. Darüber hinaus lässt sich das Netzwerk weiter optimieren, etwa hinsichtlich Speicherbedarf oder Ausführungsgeschwindigkeit für eine bestimmte SPS.

Neben der visuellen Inspektion können KI-Funktionen auch als virtuelle Sensoren eingesetzt werden, wodurch die mechanische Komplexität reduziert wird oder Messungen an schwer zugänglichen Stellen möglich werden. Ein Beispiel hierfür sind Ladezustandsschätzer für Batterien: Sie berücksichtigen Spannungs- und Temperaturmessungen, interne und umgebungsbedingte Faktoren sowie das Alter des Akkus. Durch neuronale Netze anstelle von Kalman-Filtern kann der Rechenbedarf reduziert werden (siehe Video).

Schritt 4: Codegenerierung und Produktiveinsatz

Erst an diesem Punkt müssen Ingenieure entscheiden, auf welcher Hardware das System laufen soll. Bis hierher bleibt der Entwicklungsprozess weitgehend hardwareunabhängig: Dasselbe System kann auf SPS, FPGAs, System-on-Chips (SoCs), Industrie-PCs, GPUs oder in der Cloud eingesetzt werden. Dadurch bleibt das geistige Eigentum von herstellerspezifischen SPSen und IDEs entkoppelt. Dies erweitert den Spielraum bei der Auswahl der Steuerungshardware, vereinfacht die Bereitstellung und gewährleistet die Codeäquivalenz und Konsistenz zwischen Simulation und physischer SPS.

Zentral dafür ist die automatische Codegenerierung: Modelle werden zunächst mit Tools wie Matlab Coder oder Simulink Coder in C/C++- oder IEC-61131-3-Code übersetzt. Anschließend werden sie zielspezifisch zu Objekten kompiliert, bevor der Code in die IDE des SPS-Herstellers importiert wird. Beide Schritte lassen sich automatisieren, sodass Optimierungen oder Fehlerkorrekturen mit geringem manuellem Aufwand durchgeführt werden können.

Bild 5: Nach der Bereitstellung in der IDE des SPS-Herstellers kann der Controller-Code selbst getestet werden. © Mathworks

In der IDE des SPS-Anbieters (Bild 5) kann das erzeugte Objekt entweder direkt verwendet oder in bestehenden Code integriert werden. Zusätzliche Echtzeittests wie PLC-in-the-Loop – erneut unter Einsatz des digitalen Zwillings – prüfen die Gleichwertigkeit der in Simulink erzielten Ergebnisse.

Da Maschine und Code kontinuierlich getestet wurden, erfolgt parallel zum Designprozess eine virtuelle Inbetriebnahme. Dies kann das Risiko verringern, dass Probleme erst beim Betreiber auftreten. Darüber hinaus lassen sich vernetzte Maschinen in begrenztem Umfang ferndiagnostizieren und -warten, einschließlich Software-Updates.

Hürden auf dem Weg zur intelligenten Maschine

Der Autor: Rareș Curatu ist Industry Manager Industrial Automation & Machinery bei Mathworks. © Der Autor: Rareș Curatu ist Industry Manager Industrial Automation & Machinery bei Mathworks.

Eine gute Datenqualität ist für die KI-Einführung entscheidend. Für Maschinenbauer bietet der Datenaustausch mit Betreibern und Lieferanten Möglichkeiten, den verfügbaren Datensatz zu erweitern und KI-Modelle robuster zu machen, etwa durch eine frühzeitigere Erkennung von Vibrationsanomalien oder Komponentenverschleiß. Eine weitere wichtige Quelle ist die Datenanreicherung oder Simulation, um Maschinenzustände zu untersuchen, die in der Realität schwer, riskant oder nur mit hohem Aufwand reproduzierbar wären. Betriebsdaten ergänzen diese Datenbasis, stehen jedoch erst nach Kon-struktion und Inbetriebnahme zur Verfügung.

Ein weiteres Hindernis ist die Integration von KI in bestehende Technologien. Entwicklungsumgebungen wie Matlab und Simulink bieten Toolchains, die Schnittstellen zu IDEs von SPS-Herstellern sowie zu FPGAs, SoCs und anderen Plattformen bereitstellen. Dadurch können bestehende Arbeitsabläufe weitgehend beibehalten werden.

Schließlich müssen Ingenieure ihre Kenntnisse in den Bereichen Deep Learning, maschinelles Lernen und Datenaufbereitung erweitern.

KI als Beschleuniger von Entwicklung und Betrieb

Die Integration von KI eröffnet Maschinenbauern zusätzliche technische Möglichkeiten, kann Entwicklungszyklen verkürzen sowie die Robustheit von Maschinen und Anlagen im Betrieb verbessern. Gleichzeitig können serviceorientierte Geschäftsmodelle entstehen, etwa im Bereich Wartung oder Prozessoptimierung. Entscheidend dabei sind integrierte Toolchains, die KI in bestehende Entwicklungsprozesse einbetten und die Wiederverwendung vorhandenen Codes unterstützen. Tools wie ‚Matlab Copilot‘ können dabei helfen, bestehendes Know-how zu sichern und über Maschinengenerationen hinweg effizient weiterzuführen.