Herr Wallner, Künstliche Intelligenz und Machine Learning schmücken als Modewörter den Hype der  Industrie 4.0. Was außer schön klingender Botschaften geben die Begriffe heute schon her?  

Philipp Wallner: Ich kann natürlich nur für unser Unternehmen MathWorks und unsere Kunden sprechen. Aber unsere Kunden aus dem Maschinen- und Anlagenbau schauen inzwischen sehr wohl darauf, was sich in puncto Industrie 4.0 in die Praxis umsetzen lässt. Zwei Anwendungsbereiche, mit denen sich die Industrie heute ausgiebig befasst, sind die virtuelle Inbetriebnahme auf Basis von modellbasierter Entwicklung und Predictive Maintenance auf Basis von Maschinendaten unter Einsatz von Methoden der künstlichen Intelligenz.

Während herkömmliche Methoden für die virtuelle Inbetriebnahme ausschließlich darauf abzielen, mithilfe eines Modells der Maschine – also einer ‚virtuellen Maschine‘ – die Programme vorab zu testen, die später auf einer Industriesteuerung ausgeführt werden, geht die modellbasierte Entwicklung einen Schritt weiter. Dabei werden sowohl die Maschine als auch die Steuerung – also jene Funktionalität, die später auf der Steuerung läuft – im Modell umgesetzt und über den gesamten Entwicklungszyklus hinweg für die Simulation, die Verifikation und die automatische Code-Generierung verwendet. Damit rechnet sich der Aufwand für die Erstellung des Modells deutlich schneller als bei der traditionellen virtuellen Inbetriebnahme.

Und die Modelle aus der Simulation dienen dann auch gleich als Ausgangspunkt für den digitalen Zwilling der Anlage?

Philipp Wallner: Korrekt. Gerade für Predictive Maintenance – also die vorausschauende Wartung – aber auch für andere Bereiche wie die Optimierung der Anlagenleistung oder des Energieverbrauchs haben sich jene Algorithmen als besonders wirkungsvoll herausgestellt, die sowohl das Domänen-Know-how in Form von Modellen als auch Technologien für die künstliche Intelligenz – zum Beispiel Machine Learning oder Deep Learning – kombinieren.

Stichwort ‚künstliche Intelligenz‘ – wo sehen Sie noch die größten Herausforderungen?

Philipp Wallner: Da ist zum ersten das Fehlen von Fehlerdaten in ausreichender Menge. Wenn man nicht zulässt, dass Komponenten, Maschine und Anlagen im Betrieb ausfallen, gibt es naturgemäß auch keine beziehungsweise nur wenige Fehlerdaten. Diese sind allerdings zwingend erforderlich, um den Algorithmus entsprechend zu trainieren. Abhilfe schaffen hier wieder die Simulationsmodelle, indem unterschiedliche Fehlerszenarien simuliert und so synthetische Fehlerdaten generiert werden.

Die zweite Herausforderung, die wir oft sehen, ist, dass Machine Learning Algorithmen in speziellen Data Science Umgebungen entwickelt werden, die keine Möglichkeiten bieten, die Algorithmen dann auf entsprechenden Zielsystemen wie etwa einer SPS oder einem Edge-System zu implementieren. Wie das mit Matlab umgesetzt wird, zeigen wir anhand einer Demo mit Industriehardware bei uns am Stand.