Analysten sagen dem Ansatz der Smart Factory, die sich in weiten Teilen selbst überwacht und steuert, eine mehr als rosige Zukunft vorher. Das Capgemini Research Institut etwa geht in seiner Studie ‚Smart Factories @ Scale‘ davon aus, dass intelligente Fabriken der Weltwirtschaft bis zum Jahr 2023 einen jährlichen Produktivitätsgewinn zwischen 2,8 und 4,1 % bringen werden. In harten Zahlen ausgedrückt sehen die Experten damit einen Wertzuwachs zwischen 1,21 und 1,86 Mrd. Euro.

Daten bilden das Fundament einer Smart Factory, auf ihnen setzen Applikationen wie SPS-, SCADA-, MES- und ERP-Lösungen auf. Generiert werden diese Daten in Industrial-Internet-of-Things-Umgebungen (IIoT) über Sensoren, die die verschiedensten Werte erfassen – Parameter wie Temperatur, Druck, (Fließ-)Geschwindigkeit, Beschleunigung sowie Werte zu Drehzahl, Schaltzustand, Position oder auch Schall. Dazu werden die entsprechenden realen Sensoren an den zu überwachenden Punkten der Anlagen und Maschinen angebracht. Doch das ist nicht immer unproblematisch: Der Einsatz physischer Sensoren kann etwa aufgrund räumlicher Gegebenheiten nicht möglich oder auch einfach zu kostspielig sein. Eine Crux ist zudem die Anfälligkeit solcher Sensoren für Fehler.

Eine weitere Herausforderung sind Werte, die nur im Labor gemessen werden 
können. Dies betrifft beispielsweise Daten zu Materialeigenschaften, die sich auf die Qualität des Produkts auswirken. Aufgrund des Zeitbedarfs für die Ermittlung solcher Daten ist deren Nutzwert für die aktuelle Produktion begrenzt.

Virtuelle Sensoren als Lösung?

Das Dashboard der Pythia Virtual Sensors App – über diese Oberfläche können Benutzer eigenständig virtuelle Sensoren erstellen.

© PerfectPattern

Oftmals werden virtuelle Sensoren als Lösung für diese Herausforderungen angesehen. Vereinfacht gesagt kombinieren virtuelle Sensoren verschiedene Größen, die von realen Sensoren gemessen werden, und liefern dann das gesuchte Ergebnis. Sie sind in der Lage, auf Basis der von physischen Sensoren generierten Daten sowie anderweitig verfügbaren, den Prozess beeinflussenden Parametern davon abhängige Größen vorherzusagen – etwa reale Sensorwerte, Labormesswerte oder auch nicht direkt messbare Größen wie Parameter zu Qualität oder Lebensdauer. Ermittelt werden diese Daten über Vorhersagemodelle, über die die virtuellen Sensoren die  Auswirkungen der Messgrößen auf die gewünschte Zielgröße prognostizieren. Das heißt zum Beispiel, dass statt mit sporadisch und  verspätet verfügbaren Labormesswerten mit kontinuierlich verfügbaren, virtuellen Live-Messwerten gearbeitet werden kann.

Mehr als nur ein Wermutstropfen war allerdings die bislang daten-, zeit- und kostenaufwendige Erstellung virtueller Sensoren. Auch war für den Aufbau der Vorhersagemodelle tiefgehendes datenwissenschaftliches Fachwissen notwendig. Aus diesem Grund setzen sich virtuelle Sensoren trotz aller Vorteile nur zögerlich durch.

Neue Möglichkeiten dank KI

Vergleich von ‚Pythia Virtual Sensors‘ mit konventionellen Methoden für die Erstellung virtueller Sensoren.

© PerfectPattern

Eine neue Technologie namens ‚Pythia Virtual Sensors‘ von PerfectPattern soll virtuellen Sensoren nun zum Durchbruch verhelfen. Basierend auf der ebenfalls von diesem Unternehmen entwickelten KI-Technologieplattform ‚Pythia‘ ist das System in der Lage, eigenständig und unbeaufsichtigt Daten zu bereinigen. Dabei geht es um die Synchronisierung sowie die Entfernung von Anomalien, zudem werden fehlende Werte mathematisch hinzugefügt.

Auf dieser Basis definiert das System ebenso eigenständig die nötigen Vorhersagemodelle. Dabei werden auch sehr verborgene Muster und Abhängigkeiten gefunden. Das System lernt, wie es jede gewünschte Variable prognostizieren und kontrollieren kann. Zudem findet es Beziehungen zwischen Daten, die oft kaum erkennbar sind. Das Ergebnis ist ein virtueller Sensor, der sowohl als einbettbare Bibliothek als auch als ausführbares Programm oder als Webservice vorliegt. Die Ausführungszeit für einen Vorhersagewert bewegt sich im Bereich von Millisekunden. Dank äußerst geringer Hardware-Anforderungen kann die Ausführung in der Cloud, auf Standard-Plattformen sowie auf Embedded-Systemen (on edge) erfolgen. Konnte die Erstellung eines virtuellen Sensors für komplexe Aufgaben mitunter bislang Tage oder Wochen dauern, ist dies nun in der Regel eine Angelegenheit von einer Stunde. Auch für die Anpassung an Veränderungen der Systemumgebung ist lediglich ein erneuter Lernprozess der Modelle nötig.

Die ‚Pythia Virtual Sensors‘ zugrundeliegende KI-Plattform ‚Pythia‘ ermöglicht eine automatisierte, verständliche und transparente Datenanalyse und -vorhersage. Dazu nutzt die Technologie innovative mathematische Konzepte, im Grunde ist es ein System stochastischer Differenzialgleichungen.

Demokratisierung der Datenwissenschaft

Ziel bei der Entwicklung von ‚Pythia‘ war die Schaffung einer Lösung, die es Menschen aus der industriellen Praxis ermöglicht, schnell Erkenntnisse aus ihren Daten zu gewinnen und zu datengetriebenen, transparenten Schlussfolgerungen zu gelangen, um die Effizienz und Sicherheit ihrer Produktionsprozesse zu steigern. Im Vergleich zu ‚konventionellen KI-Systemen‘ erfordert Pythia deutlich geringere Datenmengen und arbeitet mit unverarbeiteten, ungefilterten Rohdaten.

Wichtig für das Verständnis etwa von Störungen in Produktionsprozessen sind die von ‚Pythia‘ ermittelten Indikatoren für deren Ursache. Produktionsverantwortliche erfahren so beispielsweise, welche Kombination aus Schicht, Ausrüstung, Maschine, Material und mehr nicht wie erwartet funktioniert und warum. Sie erkennen dabei auch, welche kritischen Beziehungen und Abhängigkeiten eine Rolle spielen.

Das System erfordert keine datenwissenschaftliche Expertise und kann somit auch von Prozessingenieuren und Domänenexperten verwendet werden.

Praxisbeispiel: Kosteneffiziente Produktion

Ein Unternehmen stellt seine Produkte über Kalandrierung her. Dabei wird eine Schmelze von Rohstoffen, die oft natürlichen Qualitätsschwankungen unterliegen, in Bahnen durch ein System beheizter Walzen geleitet, um derart die Dichte der Bahn zu erhöhen sowie die Oberflächengüte des Endprodukts zu verbessern. Dabei muss sich die Produktion in einem engen Korridor bewegen: Wird die vom Kunden geforderte Qualität nicht erreicht, werden die Produkte nicht abgenommen – wird sie übererfüllt, wird unnötig viel Material verbraucht. Der Prozess erfordert daher die kontinuierliche Justierung auf Basis stündlicher Labormessungen der Qualität. Da diese zeitaufwendig sind, stehen die für die Produktionssteuerung nötigen Daten nur mit erheblicher Verzögerung zur Verfügung. Ergo muss die Produktion mit einer hohen Sicherheitsmarge arbeiten – ein Kostentreiber.

Aus diesem Grund wurde ein virtueller Sensor implementiert. Dieser ermöglicht die Live-Vorhersage der Qualität des Endprodukts. Diese kontinuierliche ‚virtuelle‘ Messung ermöglicht eine geringere Sicherheitsmarge und steigert damit die Kosteneffizienz der Produktion. Im Rahmen der Erstellung des virtuellen Sensors wurde vom Unternehmen lediglich das Ziel ‚Qualität vorhersagen‘ definiert. Die Basis bestand aus 8000 Signalen aus einer Zeitreihendatenbank. ‚Pythia Virtual Sensors‘ hat selbstständig gelernt, dass nur etwa 150 dieser Signale relevant für die Vorhersage der Qualität sind.