Vor etlichen Jahren wurde damit begonnen, Sensordaten permanent an eine Cloud zu übertragen und dort periodische Datenanalysen durchzuführen, um den aktuellen Zustand der Prozesse und Anlagen zu beurteilen. Dabei kommen mittlerweile auch komplexe KI-Algorithmen zum Einsatz. In diesem Zusammenhang wurde auch der Begriff »Continuous Monitoring« geprägt. Mit den derzeitigen Mitteln lässt sich die KI inzwischen allerdings auch direkt in Sensoren integrieren und damit vor Ort eine (Selbst-) Überwachungsintelligenz in Echtzeit realisieren – diese künstliche Intelligenz in Endgeräten wird auch »Edge AI« genannt.

Verfügbarkeitsresilienz schaffen

Durch eine digitalisierte Continuous Monitoring-Anwendung lassen sich beispielsweise die vernetzten Baugruppen in einem OT-Netzwerksegment permanent überwachen, um mögliche Kommunikationsstörungen durch Cyberangriffe oder verschiedene andere Fehlerursachen zeitnah KI-basiert zu erkennen. Dafür wird mit Hilfe des maschinellen Lernens ein künstliches neuronales Netzwerk entwickelt und im Rahmen einer Trainingsphase kontextbezogen an den »normalen« Datenverkehr beziehungsweise den Normalzustand der Kommunikationsbeziehungen innerhalb des Zielsegments angepasst. Das Ergebnis ist ein plattformunabhängiges KI-Modell, das für den Inferenzbetrieb mit relativ geringem Ressourcenbedarf direkt in einem Intrusion Detection System (IDS)-Sensor einsetzbar ist, um Anomalien zu erkennen. Ein solcher IDS-Softsensor benötigt teilweise noch nicht einmal eine eigene Hardware als Laufzeitumgebung. Er lässt sich auch als Embedded-Softwarekomponente in bereits vorhandene Edge-Systeme integrieren.

KI-Modelle sind auf Grund ihres modularen Gesamtkonzepts relativ einfach erweiterbar, um zusätzliche Messwerte in den Fokus einer Anomalieerkennung einzubeziehen. Dafür werden etwa weitere Hardware-Sensoren in der OT-Umgebung installiert und datentechnisch integriert. Im Ergebnis lässt sich mit einer solchen Lösung die Widerstandsfähigkeit einer OT-Netzwerkanwendung gegen gezielte Manipulationen und umgebungsbedingte Störungen deutlich verbessern, was in der Praxis zu einer höheren Gesamtverfügbarkeit mit einem quantifizierbaren Nutzen führt.

Testbed für Datenevaluierungen

Konzeption, Implementierung und Feldtest der KI-Funktionen einer Continuous Monitoring-Anwendung erfordern einen funktionsübergreifenden, kooperativen und iterativen Prozess sowie Experten für verschiedene Rollen. Der Anwendungsnutzen der finalen Lösung ist dabei proportional zum Expertenwissen und dem Umfang der kooperativen Zusammenarbeit in der Feldtestphase. Die größte Herausforderung sind die Daten für das maschinelle Lernen. Sie müssen für einen bestimmten Anwendungsfall in ausreichender Menge und möglichst hoher Qualität zur Verfügung stehen. Ansonsten sind die Ergebnisse ungenau beziehungsweise unbrauchbar. Gute Resultate lassen sich mit Hilfe von Datenevaluierungs-Testbeds erzielen.

Jede vernetzte Baugruppe sollte heute eigentlich über integrierte KI-Funktionen verfügen. Bei neuen Smartphones wurde dieses Ziel inzwischen erreicht. In der Automatisierungstechnik ist die Quote noch sehr gering. Mit Hilfe passender Werkzeuge und Testmethoden lassen sich bereits heute integrierte Überwachungsfunktionen mit großem Anwendernutzen erstellen. Die Investitionen in solche Digitalisierungsanwendungen sind überschaubar. Sie amortisieren sich über die höhere Verfügbarkeiten der technischen Systeme.