Um die Vielzahl der Begrifflichkeiten einordnen zu können, die derzeit durch die Automatisierungstechnik „schwirren“ und den Übergang hin zu intelligenten technischen Systemen beschreiben, ist es vorteilhaft sich mit deren zeitlichem Ursprung und ihrer Herkunft zu beschäftigen. Schon 1966 schrieb der deutsche Kybernetiker Karl Steinbuch in seinem Buch „Die informierte Gesellschaft“: Es wird in wenigen Jahrzehnten kaum mehr Industrieprodukte geben, in welche die Computer nicht hineingewoben sind. Drei Jahre später führte das japanische Unternehmen Yaskawa Electric erstmalig den noch heute wichtigen Begriff der Mechatronik ein – zu diesem Zeitpunkt jedoch noch nicht unter Ein­beziehung der heute berücksichtigten Informationsverarbeitung.

Anfang der 90er Jahre wurde der amerikanische Informatiker Mark Weiser vom Palo Alto Research Center (PARC) mit seiner in dem Aufsatz „The Computer for the 21st Century“ mit „Ubiquitous Computing“ bezeichneten Vorstellung einer umfassenden Informatisierung und Vernetzung der Welt und ihrer vielen Gegenstände bekannt.

Intelligente tech­nische Systeme sind über das Internet vernetzte Automatisierungssysteme mit kognitiver Informationsverarbeitung. Sie bilden die technische Grundlage für künftige intelligente Fabriken (Smart Factory), Energienetze (Smart Grids) oder Städte (Smart Cities).

© Fraunhofer IOSB-INA

Bei der Eröffnung der Hannover Messe 2011 tauchte mit „Industrie 4.0“ der vorerst neueste Begriff mit Bezug zur Automation auf. Unter „Industrie 4.0“ wird die durch das Internet getriebene vierte industrielle Revolution verstanden. Sie umschreibt den technologischen Wandel heutiger Produktionstechnik hin zu Cyber-physischen Produktionssystemen (Smart Factory). Sicherlich hat sich der ein oder andere gefragt, was denn die anderen Revolutionen in der Industrie gewesen sind? – Die erste industrielle Revolution bestand in der Mechanisierung, darauf folgten die Massenfertigung und daran anschließend der Einsatz von Elektronik zur Automatisierung der Produktion.

Zunächst kaum beachtet, hat die Bundesregierung Industrie 4.0 zwischenzeitlich als eines von zehn Zukunftsprojekten in den Aktionsplan zur High-Tech-Strategie aufgenommen. Jüngst wurden der Bundesregierung zudem Handlungsempfehlungen für Industrie 4.0 von der Forschungsunion Wirtschaft und Wissenschaft übergeben, die helfen sollen, dass Deutschland zu einem Leitmarkt und zum Leitanbieter von intelligenten technischen Systemen wird. Im Prinzip ist Industrie 4.0 die Fortführung des bereits in den 1970er Jahren eingeführten Konzeptes der computerintegrierten Fertigung (CIM) auf der Basis nun verfügbarer moderner Informations- und Kommunikationstechnologien.

Der gemeinsame Nenner

Die Ausführungen machen deutlich, dass die Begriffe nicht scharf definiert und voneinander abgrenzbar sind. All diesen Begriffen ist jedoch gemeinsam, dass es sich um Handlungsfelder handelt, bei denen eine zunehmende Informatisierung im Vordergrund steht. Das führt letztendlich zu intelligenten technischen Systemen, die sich dadurch auszeichnen, dass sie adaptiv sind, mit ihrem Umfeld interagieren und sich diesem durch Lernen anpassen können.

Das inIT der Hochschule OWL und das Fraunhofer IOSB-INA in Lemgo untersuchen, erproben und demonstrieren in der Lemgoer Modellfabrik die Integration von geeigneten Informations- und Kommunikationstechnologien (IKT) für die Automation wandlungsfähiger, rekonfigurierbarer und energieeffizienter Produktionssysteme.

© Fraunhofer IOSB-INA

Dahinter verbirgt sich eine in der Automation wohl bekannte Grundstruktur: Die geschlossene Wirkungskette, ausgehend vom physikalischen Prozess über die Sensorik (erfassen), die Informationsverarbeitung (analysieren und entscheiden) bis hin zur Aktorik (handeln). Die Intelligenz ist in erster Näherung in der Art und Weise der Informationsverarbeitung zu finden. Aufgrund der physikalischen Prozesse verfügen die meisten Steuerungen heute in ihrer Software über eine rein reaktive und starre Kopplung zwischen der Sensorik und Aktorik. Intelligente technische Systeme hingegen können diese starre informationstechnische Kopplung aufbrechen und gezielt modifizieren. Mit Hilfe der kognitiven Informationsverarbeitung lässt sich das Systemverhalten verändern – entweder auf Basis von vorhandenem oder durch Lernen von neu generiertem Wissen. Damit erhält ein technisches System Fähigkeiten der Selbstoptimierung, der Selbstkonfiguration und der Selbstdiagnose. Darüber hinaus ist ein intelligentes technisches System in der Regel mit weiteren Systemen vernetzt und kann von oder mit diesen Dienste gemeinsam erbringen, oder von diesen in Anspruch nehmen.

Anhand zweier Forschungsprojekte, die derzeit am inIT und dem Fraunhofer-Anwendungszentrum in Lemgo zusammen mit Unternehmen bearbeitet werden, soll verdeutlicht werden, dass intelligente technische Systeme deutlich über den Stand der heutigen Automation hinausgehen.

Der erste Bereich ist die Diagnose zur Steigerung der Zuverlässigkeit von Maschinen – ein immerwährendes Thema in der Automation. Denn ein Produktionsausfall durch Anlagenstillstände führt schnell zu hohen Kosten. Heute ist die Fehlersuche gerade in vernetzten Automatisierungssystemen bereits sehr aufwendig, da der Ort eines Fehlersymptoms häufig nicht dem Ort der Fehlerursache entspricht. Der Anlagenbediener oder der Instandhalter steht daher bei eingetretenen Fehlern unter hohem Zeit- und Erfolgsdruck, um die Anlage wieder anzufahren.

Intelligente Diagnose-Assistenten können dem Benutzer bei der frühen Erkennung von Problemen und von Verschleiß (Erkennung von Anomalien), bei der Identifikation von Fehlerursachen (Diagnose) und bei der Anlagenreparatur helfen. Für einen Diagnose-Assistenten ist Wissen in Form eines Computermodells über den automatisierten Produktionsprozess notwendig. Allerdings kommen Diagnose-Assistenten in der Industrie bislang kaum zum Einsatz. Auf der einen Seite ist die Modell-Erstellung arbeitsintensiv und nur von Experten ausführbar, die die Anlage sehr gut kennen. Zum anderen verändern sich Anlagen häufig, zum Beispiel durch Verschleißprozesse, Umwelteinflüsse oder Umbauten.

Hier bietet das maschinelle Lernen aus der Informatik einen Ausweg: Durch Beobachtung des Prozesses in Echtzeit kann das Computermodell und damit das notwendige Diagnosewissen selbstständig erlernt werden. Grundlage hierfür ist die Verfügbarkeit der Prozessdaten, die zum Betriebszeitpunkt in ausreichender Menge erfassbar sind. Mittels dieses gelernten Wissens analysiert der Diagnose-Assistent nun das Anlagenverhalten im Betrieb und erkennt Anomalien durch Soll-/Ist-Vergleiche, die dann dem Fachpersonal über geeignete Mensch-Maschine-Interaktionstechnologien (Leitsysteme, mobile Plattformen) mitgeteilt werden. In einem nächsten Schritt werden anhand der erlernten Wirkzusammenhänge Fehlerursachen ermittelt, die die Anomalien erklären können. Beispiele für Anomalien sind ein falsches Zeitverhalten aufgrund von Verschleiß, suboptimale Energieverbräuche oder unerwartete Sensorsignale.

Ein anderes Feld für intelligente technische Systeme ist der ressourcenoptimierte Betrieb von Maschinen und Anlagen. In­telligente Optimierungsassistenten helfen dem Benutzer, die Anlagenleistung und Effizienz kontinuierlich zu analysieren, zu verbessern und einen möglichst optimalen Arbeitspunkt anzustreben. Ein aktueller Anwendungsfall ist die Optimierung des Energieverbrauchs von produktionstechnischen Anlagen: In Industrieanlagen entfallen knapp 70 % des elektrischen Energiebedarfs auf Antriebe. Der ZVEI sieht in diesem Bereich alleine in Deutschland ein Einsparpotenzial von 38 TWh pro Jahr. Zu Erschließung dieses Potenzials ist neben dem Einsatz moderner Antriebstechnik ein enormer Aufwand in die Auslegung und Optimierung der Anlage zu investieren. Ein praktisches Beispiel dafür ist das Ein- und Auslagern von Waren in einem automatisierten Hochregallager, das eine Vielzahl von Verfahrachsen mit elektrischen Antrieben aufweist. Um neben dieser Grundfunktion eine energieoptimierte Betriebsführung durchführen zu können, muss – wie bei dem Diagnose-Assistenten auch – ein Computermodell der Anwendung aus energie- und automatisierungstechnischer Sicht vorhanden sein. Algorithmen der Selbstoptimierung übernehmen nun auf Basis dieses Modells wiederkehrend und in Echtzeit Aufgaben des SPS-Programmierers, in dem sie das Ablaufverhalten der Verfahr­achsen kontinuierlich derart anpassen, dass zum einen die Grundfunktion gewährleistet bleibt und zum anderen gleichzeitig die gesetzten Energieziele möglichst gut erfüllt werden können.

Technische Grundlage der vorgestellten Intelligenz sind neben einer durchgängigen Vernetzung die explizite, rechnerverarbeitbare Modellierung des Wissens der automatisierten Prozesse sowie entsprechende wissensbasierte Algorithmen zur Selbstdiagnose und Selbstoptimierung. Derzeit fehlen aber noch geeignete Modellformalismen und Semantik-Informationen, die das Lernen der Modelle unterstützen und eine Prognose des Systemverhaltens erlauben.

Um auf die Ausgangsfrage zurückzukommen: Handelt es sich bei Industrie 4.0 & Co. nun um alten Wein in neuen Schläuchen? Bezogen auf die vielen Begrifflichkeiten lautet die klare Antwort: Ja! Sicherlich sind viele Einzelelemente intelligenter technischer Systeme schon vorhanden und damit nicht neu. Auch ist die IKT-Integra­tion in die Automation kein wirklich neues Thema. So ist beispielsweise die PC-basierte Automation heute Stand der Technik oder die Einführung von Echtzeit-Ethernet und Wireless in vollem Gange.

Bezogen auf intelligente technische Systeme ist es aber alles andere als alter Wein in neuen Schläuchen! Künftige Automatisierungssysteme müssen sich selbstständig vernetzen, diagnostizieren und optimal anpassen. Hierfür existieren derzeit viele Teil-, aber noch keine ganzheitlichen Lösungen in der Automation.

Zusammenfassend lässt sich demnach festhalten: Die in der Automation eingesetzten Technologien werden zunehmend durch die Möglichkeiten der Informatik und der Informations- und Kommunikationstechnologien bestimmt. Viele dieser Schlüsseltechnologien kommen aus den USA oder Asien. Für Deutschland gilt es, das Potenzial an der Schnittstelle zwischen den Ingenieurwissenschaften und der Informatik noch intensiver zu nutzen. Ein Beispiel hierfür ist der BMBF-Spitzencluster „Intelligente technische Systeme Ostwestfalen-Lippe – It’s OWL“, in dem 174 Partner aus Industrie und Wissenschaft intensiv zusammenarbeiten, um den Übergang von der Mechatronik hin zu Systemen mit inhärenter Teilintelligenz zu vollziehen.