Das Thema der Künstlichen Intelligenz (KI) fasziniert den Menschen seit Ewigkeiten. Was, wenn Maschinen eines Tages intelligent genug sind, um die Erde zu übernehmen, und wir Menschen ihnen als Sklaven dienen müssen? Das ist der Stoff, aus dem zahlreiche Romane und Hollywood-Klassiker gemacht sind. Die Realität sieht allerdings ganz anders aus. Viel weniger spektakulär auf den ersten Blick – doch bei genauerem Hinsehen aus industrieller Sicht mindestens ebenso relevant.

Seit Jahren steigen die Anforderungen an flexiblere Produktionssysteme infolge immer kürzerer Zyklen am Verbrauchermarkt. Während eine klassische Produktionsanlage in der Vergangenheit einmal in Betrieb genommen durchaus 20, 30 oder mehr Jahre immer dasselbe Produkt gefertigt hatte, wird heute von modernen Produktionssystemen – also den Maschinen, der Automatisierungstechnik, der Sensorik – erwartet, dass sie flexibel auf neue Anforderungen aus dem Markt reagieren können – immer mit dem ultimativen Ziel der ‚Losgröße 1‘ vor Augen.

Mit klassischer Programmierung, Parametrierung und Inbetriebnahme ist dem nur schwer beizukommen. Abhilfe könnten zukünftig Methoden der Künstlichen Intelligenz schaffen, die es der Anlage und deren Komponenten erlauben, sich durch kontinuierliches Lernen an neue Gegebenheiten anzupassen – ganz ähnlich wie wir Menschen. Doch bis dahin ist es noch ein weiter Weg, der noch einige Jahre in Anspruch nehmen wird. Nichtsdestotrotz haben bereits heute Methoden der Künstlichen Intelligenz ihren Weg in ausgewählte industrielle Applikationen gefunden.

Eine Vorreiterrolle nehmen dabei Anwendungen für die vorausschauende Wartung – Predictive Maintenance – ein. Während in frühen Applikationen ausschließlich vordefinierte Schwellwerte – etwa für bestimmte Frequenzen im System – überwacht wurden, kommen mittlerweile immer öfter KI-Technologien wie Machine Learning zum Einsatz, um das Bewertungssystem des Algorithmus flexibel zu trainieren. Gemessene Daten aus dem Produktiveinsatz – inklusive jener Fälle, die zu Fehlern oder gar zum Ausfall der Anlage geführt hatten – werden dem Machine-Learning-Algorithmus zur Verfügung gestellt, um automatisiert ein entsprechendes KI-Modell zu erstellen. Entwicklungsplattformen wie Matlab stellen dem Entwickler dafür zahlreiche unterschiedliche Machine-Learning-Methoden sowie Apps für die Auswahl und das Trainieren zur Verfügung.

Der Wegbereiter: Predictive Maintenance

Bild 2: Die Signal Analyzer App: Mit ihrer Hilfe lassen sich Ausreißer erkennen, Signale filtern und Merkmale extrahieren.

© Mathworks

Der Anwender wählt aus zahlreichen weit verbreiteten Klassifikations- und Regressionsalgorithmen, vergleicht Modelle anhand von Standardmetriken – Support Vector Machines, Nearest Neighbor, Ensemble Methods oder Decision Trees – und exportiert vielversprechende Modelle zur weiteren Analyse und Integration. Den kompletten Workflow kann der Anwender mit den Classification und Regression Learner Apps (Bild 1) einfach und effizient auf die Daten anwenden. Wesentlich für den Erfolg ist dabei die entsprechende Vorverarbeitung der Rohdaten. Auch hier stellt Matlab mit entsprechenden Erweiterungen Tools zur Verfügung, um zum Beispiel Ausreißer automatisch zu erkennen, Signale zu filtern, Signale von der Zeitdomäne in die Frequenzdomäne zu überführen (Bild 2), die Dimensionalität der Daten zu verringern und Merkmale zu extrahieren.

Der fertig implementierte und getestete Algorithmus wird anschließend auf das Produktivsystem übertragen, wo er – wie etwa bei Mondi in Gronau – 24 Stunden am Tag und 365 Tage im Jahr durchgehend läuft und sicherstellt, dass potenzielle Maschinenstillstände und Produktionsausfälle erkannt werden, bevor sie auftreten.

Warum finden derzeit vor allem die Machine-Learning-Algorithmen für die Anwendung Predictive Maintenance Verwendung, während andere Anwendungsbereiche noch ausgeklammert werden? Ein System für die vorausschauende Wartung lässt sich parallel zum laufenden Betrieb installieren und betreiben, ohne in diesen aktiv einzugreifen. Für den Einsatz von Künstlicher Intelligenz für Bereiche wie die Maschinenregelung oder für die flexible Rekonfiguration im Betrieb, die direkt in den Produktionsprozess eingreifen, ist bei den meisten potenziellen Anwendern noch eine größere Portion an Erfahrung und Vertrauen notwendig. Darüber hinaus gestaltet sich der Business Case für die Einführung von Anwendungen für die vorausschauende Wartung vergleichbar einfach. Jeder Fehler oder gar Maschinenstillstand, der frühzeitig erkannt werden kann, und jeder unnötige Wartungseinsatz, der sich vermeiden lässt, spart Geld und trägt zum ökonomischen Erfolg der Predictive-Maintenance-Applikation bei.

Machine Learning, Deep Learning, Reinforcement Learning

Bild 3: Drei Formen der Künstlichen Intelligenz könnten für den Maschinen- und Anlagenbau zukünftig eine wesentliche Rolle spielen: Reinforcement Learning, Machine Learning und Deep Learning.

© Mathworks

Machine Learning für Predictive Maintenance ist nur eine Form der Künstlichen Intelligenz, die für den Maschinen- und Anlagenbau zukünftig eine Rolle spielen kann. Insgesamt kristallisieren sich derzeit drei Gruppen von KI-Methoden heraus, die für den industriellen Einsatz in den kommenden Jahren immer wichtiger werden (Bild 3):

• Machine Learning: Die Grundidee ist, Muster in Daten zu finden (Zahlenwerte, Bilder), um dann eine Vorhersage auf Basis bisher unbekannter Daten zu treffen. Statistische Verfahren ermöglichen es Maschinen, Aufgaben aus Daten zu  ‚lernen‘ – ohne explizite Programmierung.
• Deep Learning: Eine Form des maschinellen Lernens, bei der Neuronale Netze mit vielen Schichten die Darstellungen und Aufgaben ‚direkt‘ aus Daten lernen. 
• Reinforcement Learning: Eine weitere Form des maschinellen Lernens, bei der an das System zurückgemeldet wird, ob die richtige oder falsche Entscheidung getroffen wurde. Mit einer ausreichend großen Anzahl an Wiederholungen ist das System schließlich in der Lage, die richtigen Ergebnisse vorherzusagen.

Simulation ein Muss

Eine wichtige Rolle für das Trainieren von KI-Algorithmen spielen dabei Simulationsmodelle. Messdaten aus dem Feld, die nicht im benötigten Umfang zur Verfügung stehen, werden mit Werten aus der Simulation ergänzt. Das gilt insbesondere für Fehlerdaten, die naturgemäß nicht in der Fülle vorhanden sind, wie sie für das Training der KI-Modelle notwendig wären. Gerade im Bereich Reinforcement Learning sind Simulationsmodelle für das Feedback an den Algorithmus unerlässlich. Damit können Steuerungen und Entscheidungsalgorithmen für komplexe Systeme wie autonome Roboter simuliert werden. Mit Hilfe von tiefen neuronalen Netzwerken, Polynomen oder Look-up Tables werden die Richtlinien implementiert und trainiert, indem die Interaktion mit Umgebungen – die durch Modelle in Matlab oder Simulink repräsentiert werden –, ermöglicht wird.

Autoren:
Dr. Rainer Mümmler ist Senior Application Engineer bei Mathworks;
Philipp Wallner ist Industry Manager EMEA bei Mathworks.