Wenn von KI die Rede ist, lohnt es sich, erstmal genauer hinzuschauen: Um welche Art von Intelligenz geht es? Welche Aufgaben sollen mit ihr bearbeitet werden? Und fast noch wichtiger: Welche Voraussetzungen für einen Einsatz sind gegeben, gerade im Hinblick auf die Kosten-Nutzen-Analyse? Um sich einen Überblick zu verschaffen, ist zunächst die Unterscheidung von ‚starker‘ und ‚schwacher‘ KI hilfreich. Bei Ersterer geht es darum, menschliche Fähigkeiten wie die sprachliche Kommunikation möglichst genau nachzubilden – man denke etwa an den berühmten Turing-Test: Der Mensch fragt, die Maschine antwortet. Demgegenüber zielt die ‚schwache‘ KI im Wesentlichen darauf ab, spezifische Aufgaben und Probleme zu lösen. Hierfür hat sich in den letzten Jahren der Begriff ‚kognitiv‘ (Cognitive Computing, Cognitive Manufacturing etc.) etabliert, denn es geht darum, analytische und Problemlöse-Fähigkeiten des Menschen nachzubilden und zu übertreffen.

KI ist nicht grundsätzlich neu bei Omron: Etwa in den Reglerserien E5_D (im Bild ) und NX-TC verrichtet ein selbstlernendes (KI-) System seinen Dienst, um eine Regelgüte in bisher nicht gekannter Präzision zu ermöglichen.

© Omron

Ein Beispiel für eine solche Fähigkeit ist die Erkennung komplexer Muster und die damit verbundene Beurteilung von richtig oder falsch beziehungsweise gut oder schlecht. Mit solchen adaptiven Algorithmen gelang es zum Beispiel, die besten menschlichen Spieler im Schach zu besiegen (seit etwa 2005) und im vergangenen Jahr auch im asiatischen Brettspiel Go, das lange als zu schwierig für Computer galt.

Solche Erfolge basieren unter anderem auf der ständig steigenden Rechenleistung der Computer, die eine immer schnellere Analyse von mehr und mehr Zuständen und Mustern erlaubt. Mit der zunehmenden ‚Sensorisierung‘ der Industrie im Zeichen von Vernetzung und Digitalisierung stehen auch fertigungsseitig immer mehr Daten zur Verfügung, sodass die Voraussetzungen für die Optimierung von Produktionsprozessen im Prinzip gegeben sind. Trotzdem besteht in der Anwendung von KI noch immer eine erhebliche Kluft zwischen Wunsch und Wirklichkeit. Warum ist das so und wie kann man sie überwinden?

Die Herausforderung mit der Cloud

Viele der auf dem Markt erhältlichen, häufig cloudbasierten Lösungen gehen mit erheblichen Anforderungen an die IT und Infrastruktur einher, besonders im Bereich Security. Zudem wird dem KI-System eine riesige Menge an Daten übergeben, mit denen es zunächst gar nichts anfangen kann. Bevor mit dem ‚Machine Learning‘ begonnen werden kann, muss der Datenwust – welcher nur eine geringe Konsistenz hinsichtlich Formaten, Zeitindizes etc. aufweist – von Menschen strukturiert, sortiert und operationalisiert werden. Dieser immense Vorbereitungsaufwand zehrt entsprechend am versprochenen Mehrwert der KI, denn erst wenn diese angewendet werden kann, lässt sich absehen, ob und wenn ja welche Optimierungen letztlich möglich und vielversprechend sind.

Etwas besser ist die Ausgangslage beim Edge Computing, da hier Fabrikbereiche oder Fertigungslinien einzeln analysiert werden. Zwar ist das Verfahren selektiver und damit zielgerichteter; zugleich ist aber die Rechenleistung begrenzt und die verwendeten Daten sind noch immer unstrukturiert, sodass man von einer Optimierung in Echtzeit weit entfernt bleibt. Oder anders ausgedrückt: Bei einem Edge-Controller ist die Maschine/Station üblicherweise die kleinste Instanz. Ein AI-Controller hingegen basiert auf dem Ansatz, die Sensoren und Aktoren in der Maschine als kleinste Instanz der Daten heranzuziehen. Damit wird der Terminus der Echtzeit sehr schnell in den Bereich des Maschinentakts rücken. Eine Edge-Lösung, die aggregierte Daten aus der Maschinensteuerung zieht, kann dies schon systemisch nicht leisten. Zwar kann Echtzeit generell im 10-Sekundentakt stattfinden, was für Visualisierung und Prozessüberwachung auf Fabrikebene auch valide ist – nicht aber für maschinennahe KI.

‚Black box‘ versus ‚white box‘

Durch die Analyse und Nutzung kombinierter Daten kann der AI-Controller mögliche Maschinenfehler schnell vorhersagen und Anlagenstillstände sowie eine Verschlechterung der Produktqualität verhindern.

© Omron

Die Intelligenz muss demnach näher an den Prozess heran, um einerseits schneller reagieren zu können, und andererseits nicht mit ungeordneten Daten überlastet zu werden. Die Schwierigkeit der Implementierung von Cognitive Manufacturing in Produktionsbetrieben hat nicht zuletzt mit einer Besonderheit des Maschinen- und Anlagenbaus zu tun: Die eingesetzten Maschinen sind meist keine reinen Serienmodelle, sondern in der Regel Unikate. Auf einer Anlage gewonnene Daten und Ergebnisse lassen sich also nicht ohne weiteres auf andere Konstruktionen übertragen. Zudem sind viele Maschinen zu komplex, um sie – mit vertretbarem Aufwand an Zeit und Kosten – vollständig mathematisch zu beschreiben (als sogenannte ‚white box‘) oder einen digitalen Zwilling zu kreieren. Es handelt sich damit um so genannte ‚black boxes‘, deren Betriebszustände und optimale Parameter nicht vorausberechnet werden können, da die vorhandenen Daten unterbestimmt sind. In der Praxis behilft man sich daher üblicherweise mit umfangreichen Tests und einer gewissen Überdimensionierung, um den Regelbetrieb sicherzustellen.

Gegenüber den gängigen, für die meisten Zwecke zu breitbandigen Top-Down-Ansätzen setzt Omron auf ein neues Konzept: Wenn es gelingt, die adaptiven Algorithmen direkt in die Maschinensteuerung zu integrieren, werden Datenerzeugung und -nutzung eng verzahnt und so um eine Vielfaches effizienter. Anstatt mit Kanonen auf Spatzen zu schießen, gleicht der neue AI-Controller von Omron eher dem, was man mit Intelligenz assoziiert: In einer komplexen Menge von Daten Muster zu erkennen und anhand derer zu entscheiden, wie sich der normale vom abnormalen Betrieb unterscheidet. Sind diese Muster einmal erkannt, dienen sie nicht nur der vorausschauenden Wartung, um einen Maschinenstillstand zu vermeiden, sondern liefern auch die Basis für eine autonome Nachregelung der Maschine in Echtzeit.

Die in den Maschinencontroller integrierten selbstlernenden Algorithmen setzen dabei zunächst da an, wo Produzenten am meisten der Schuh drückt: In der Praxis ‚kämpfen‘ diese mit OEE-Werten zwischen 50 und 75 %; sehr gut optimierte Linien erreichen bis zu 90 % OEE. Kritisch sind dabei vor allem Prozesse, die für Ausfälle sorgen, weil sich Effekte überlagern und durch die üblichen Grenzwerte nicht detektiert werden können – zum Beispiel Separierungsklappen/-Systeme, Zylinder, verkettete Kinematiken, Dosiereinheiten usw. Sind solche Flaschenhälse einmal systematisch analysiert und beseitigt, steht einer ganzheitlichen Optimierung der gesamten Fertigung nichts mehr im Wege – dann durchaus auch mit Edge und Cloud Computing im Sinne einer Intelligenz-Hierarchie, die von unten nach oben funktioniert. 

Eine gezielte Optimierung der Fertigung mit einem AI-Controller kann hinsichtlich der OEE typischerweise eine Verbesserung im 1- bis 2-stelligen Prozentbereich bringen. Wenn man sich vor Augen hält, dass bereits eine Steigerung um wenige Prozentpunkte häufig gleichbedeutend ist mit bedeutenden Effizienzsteigerungen und Kostensenkungen, wird das enorme Potenzial von KI in der Automation beziehungsweise „auf der Maschine für die Maschine“ ersichtlich.

Technisch gesehen läuft die KI beim Maschinen-Controller von Omron als zusätzlicher Task auf der gleichen Plattform, die bereits die SPS-Funktionalität, einen SQL-Server, die Bewegungssteuerung, die Bildverarbeitung sowie Safety auf einem System vereint. Dazu ist lediglich die ausreichende Systemperformance aus der skalierbaren Sysmac-Plattform zu wählen. Im Detail sieht das Konzept mehrere Nutzungsmöglichkeiten vor: Zunächst wird es vordefinierte Funktionen geben, mit denen der klassische Nutzer von SPSen beziehungsweise Maschinensteuerungen die KI-Funktionalität mit einbinden kann wie er es auch von anderen Funktionen her gewohnt ist. Ist eine feiner abgestimmte Funktion beziehungsweise Performance gewünscht, lässt sich daneben ein kausales Modell programmieren, das in der AI-Engine läuft. Für ganz anspruchsvolle Anwendungen ist schließlich vorgesehen, die Einbindung von Data-Analysten als Dienstleistung anzubieten, um das maximale aus dem System herauszuholen. Momentan befindet sich der AI-Controller von Omron in der Testphase mit mehreren Pilotkunden.

Autor: 
Lucian Dold ist General Manager Product & Solution Marketing EMEA bei Omron Europe.