Grundlage für Künstliche Intelligenz sind die Daten selbst – und Konnek­tivität ist der erste Schritt auf dem Weg zur Industrie 4.0. Große Daten­mengen alleine reichen jedoch nicht aus. Was benötigt wird, ist ein Weg, sinnvolle Informationen daraus zu ziehen und ­Handlungsoptionen für die Anwender und das Unternehmen abzuleiten. Genau hier kommen die Advanced Analytics ins Spiel. Analysen, die dem Anwender In­formationen über die Art der Vorfälle liefern, helfen bei der Vermeidung gleich­artiger Störungen. 

Advanced Analytics geht noch einen Schritt weiter. Es umfasst autonome Analysen von Echtzeit-Gerätedaten, den Vergleich mit historischen Informationen, Vorhersagen oder Vorschläge zur Intervention. In Predictive-Maintenance-Applikationen finden diese Techniken bereits ihre Anwendung. Sie bieten Fertigungsunternehmen direkte Vorteile, da sie unnötige Ausfallzeiten verhindern, indem sich Unterbrechungen vermeiden und nötige Wartungs- und Reparaturarbeiten innerhalb eines geplanten Ausfallzeitfensters durchführen lassen.

Bei mehreren miteinander verbundenen Maschinen und Geräten besteht die Herausforderung ganz klar darin, den schnell anwachsenden Datenstrom zu analysieren, die Daten zu interpretieren und Berichte oder Maßnahmen anzustoßen. Bei Rockwell Automation werden Advanced Analytics, die in die Bereiche KI und maschinelles Lernen fallen, unter dem Dach von LogixAI zusammengefasst. Der Begriff geht auf die Logix-Reihe programmierbarer Automationssteuerungen und die für deren Programmierung verwendete RSLogix-Software zurück. Die übergeordnete LogixAI-Technologieplattform kann in vier Bereiche eingeteilt werden, auf die sich die F&E-Spezialisten von Rockwell Automation konzentrieren:

• ein Stream-Clustering-Modul, 
• ein automatisiertes Modellierungsmodul, das aktuell den Code-Namen Sherlock trägt,
• ein nonlineares, solides und rechnerisch effizientes ‚mixed-integer Optimization Module‘ 
• sowie ein Selbstlernmodul für die Selbstoptimierung der miteinander gekoppelten PID-Regler. 

In diesem Artikel werden die ersten beiden Module behandelt, da diese sich auf die Leistungsüberwachung und auf Echtzeit-Diagnose-Anwendungen beziehen.

Clustering anhand von Echtzeit-Datenströmen

Zunächst werden die Clustering-Algorithmen betrachtet. Beim Clustering werden Datensätze anhand ihrer Gemeinsamkeiten gebündelt. Sie stellen die Grundlage für die in der Fertigungsindustrie am häufigsten genutzten Lösungen für Leistungsüberwachung und Predictive Maintenance dar. Clustering bietet den Vorteil, dass Mitarbeiter auch mit geringeren datenwissenschaftlichen Kenntnissen komplexe Analysen durchführen können. Solche Analysen haben sich bis dato auf relativ kleine statische Datenvolumen gestützt, Unternehmen müssen heute jedoch Betriebsdaten systematisch aufzeichnen – und zwar kontinuierlich, diskret und in immer höheren Datenraten. Dies führt zu enormen Datenmengen, die mit der Zeit potenziell ins Unermessliche anwachsen könnten. 

Anders als statische Daten können diese Streaming-Daten ‚unbekannte‘ Elemente enthalten, die noch keinem bestimmten Cluster zugewiesen wurden. Daher entwickelt das Data-Science-Team von Rockwell Automation eine Stream-Clustering-En-gine für die Leistungsüberwachung und -diagnose in Echtzeit. Diese Engine – die nicht als eigentliches Produkt, sondern vielmehr als Teil des Service- und Lösungsangebots des Unternehmens zur Verfügung gestellt wird – wurde bereits im Rahmen einer Anwendung zur Öl- und Gasgewinnung getestet.

Beispiel aus der Öl- und Gasindustrie

Die wichtigste Informationsquelle für die Überwachung des Betriebs in der Ölförderung sind Bohrlochdaten aus den Dynamometer-Karten, die sich mit Hilfe von Stream-Clustering-Algorithmen in verschiedene Cluster einteilen lassen.

© Rockwell Automation

Zur Ölförderung werden meist Gestängetiefpumpen eingesetzt. Ölkonzerne müssen deren Betrieb überwachen und sämtliche bevorstehenden Probleme diagnostizieren können. Die wichtigste Informationsquelle sind Bohrloch-Dynamometer-Karten, die in der Industrie weitverbreitet sind. Daher haben die Forscher von Rockwell Automation Stream-Clustering-Algorithmen entwickelt, die kontinuierliche Bohrlochdaten automatisch in verschiedene Cluster ein­teilen. Diese Cluster entsprechen den ­verschiedenen Betriebsbedingungen der Gestängetiefpumpe und der Ölbohrung. Wie bereits erwähnt, können Datenströ­me ‚unbekannte‘ Elemente enthalten, weshalb der hier verwendete Stream-Clustering-Algorithmus die Dynamometer-Daten als ungekennzeichnete Daten verarbeitet. Die Lösung umfasst einen Workflow, anhand dessen ein Spezialist diese mit einem vorhandenen Cluster verknüpfen oder für ein neues Cluster markieren kann, das aktuell noch unbekannt ist. Mit bestehenden Clustern können bereits eine Reihe von Aktionen (zum Beispiel Senden einer Warnmeldung, Anhalten der Pumpe usw.) verknüpft sein, während bei neuen Clustern eine Aufforderung an den zuständigen Experten versendet wird, den neuen Cluster zu benennen und die entsprechenden Aktionen für diesen Cluster festzulegen.

Hierbei handelt es sich um einen Hybridansatz für Leistungsüberwachungs- und Echtzeitdiagnose-Anwendungen, der gleichzeitig datenbasiert ist und fachkundig durchgeführt wird. Das Hauptziel ist hierbei, die Erkennung von Betriebsanomalien anhand historischer Daten zu ermöglichen und gleichzeitig die einzigartigen Merkmale einer Bohrloch-/Gestängetiefpumpeneinheit ausschließlich auf Grundlage von Live-Betriebsdaten zu erfassen. Dieser Ansatz lässt sich auf jede Anwendung übertragen, die eine ständige Überwachung erfordert.

Projekt ‚Sherlock‘

Bei Sherlock handelt es sich um ein direkt am Chassis der Steuerung angebrachtes Plug-in-Modul, das aus vorgegebenen Steuerungs-Tags Modelle erstellt und diese mit dem Realbetrieb automatisch vergleicht, um Anomalien aufzudecken.

© Rockwell Automation

Ein weiterer KI-Ansatz der F&E-Abteilung von Rockwell Automation ist der Einsatz von Modellierungsalgorithmen, die auf physikalischen Regeln basieren und das maschinelle Lernen unterstützen. Bei ‚Sherlock‘ wird es sich um ein direkt am Chassis der Steuerung angebrachtes Plug-in-Modul handeln. Sherlocks Datenmodelle erkennen die Applikationen der Steuerung und prüfen diese auf Anomalien. Dabei werden die zuvor vergebenen Steuerungs-Tags überprüft, um erkennen zu können, um welche Anwendung es sich handelt, oder Benutzer durch die intuitive Auswahl der Eingaben und Ausgaben bestimmen zu lassen, was modelliert werden soll. Anschließend werden die durch die Steuerung laufenden Datenströme zur Erstellung eines Modells analysiert. 

Was von Menschenhand Wochen oder Monate dauern würde, erledigt Sherlock in wenigen Minuten. Dabei benötigt das Modul keine große Menge an historischen Daten und die Daten müssen nicht außerhalb der Automatisierungsebene übertragen werden. Sobald das Modell fertig­gestellt ist, überwacht das Sherlock-Modul kontinuierlich den Realbetrieb und vergleicht dieses mit dem erstellten Modell des Normalbetriebs. Entdeckt das Modul Anomalien, wird auf dem HMI-Bildschirm oder -Dashboard des Bedieners ein Alarm ausgelöst. Wiederholen sich die Vorfälle, geht das Modell über die reine Diagnose hinaus und leitet den Anwender bei der Behebung des Problems an – oder es passt die Systemparameter automatisch entsprechend an, um das Problem auch ohne menschliches Eingreifen zu beheben. 

Minimierung von Fehlalarmen

Der physikalisch basierte Ansatz von Sherlock wurde von Grund auf für industrielle Anwendungen entwickelt und ist von Anfang an auf die Minimierung von Fehlalarmen ausgelegt, die bei solchen Anwendungen ansonsten häufig vorkommen. Zum Beispiel erkennt das Modul, ob eine Veränderung der Kesseltemperatur auf einer harmlosen Veränderung vorgelagerter Prozessabschnitte basiert oder ob es sich um eine Störung handelt, die korrigiert werden muss.

Miteinander kommunizierende und verbundene Geräte sind der wichtigste erste Schritt auf dem Weg zu einem Connected Enterprise – und die Kombination aus Daten und verknüpfter Analyse nutzt diese Konnektivität als Grundlage für eine schnellere faktenbasierte Entscheidungsfindung. KI geht einen Schritt weiter und nutzt Algorithmen für das Abstellen oder Verhindern von Problemen, die zu unerwarteten Ausfällen und Produktionsverlusten führen können. Und das kann für jeden Hersteller nur von Vorteil sein.

Autoren:
Kadir Liano ist Senior Scientist, Analytics, bei Rockwell Automation;
Bijan Sayyar-Rodsari ist Director, Advanced Analytics, bei Rockwell Automation;
Alex Smith ist Research Manager, Analytics, bei Rockwell Automation.