Sie sind hier: HomeSteuerungsebeneSteuern & Regeln

Künstliche Intelligenz: Der Einstieg ins Machine Learning

Fortsetzung des Artikels von Teil 3.

Vor Ort statt in der Cloud

Nebeneffekt der Entwicklung ist: Die Menge, Geschwindigkeit und Vielfältigkeit der heute anfallenden Daten übersteigt die Fähigkeiten des Bedienpersonals und verlangt nach neuen, datenbasierten Ansätzen. Vorausschauende Wartung zielt darauf ab, den großen Teil der nicht altersbedingten Ausfälle zu reduzieren und so die Anlagenleistung zu erhöhen. ML-Algorithmen sagen den Ausfall konkreter Anlagenteile voraus. Das ermöglicht eine bedarfsgerechte Wartung spezifischer Teile zu produktionsfreien Zeiten, bevor es zum Ausfall kommt. Bei der klassischen Reihenfolge ‚Algorithmen -> Daten -> Entscheidungen‘ kann die Gesamt-Anlagen-Effektivität (GAE) nicht besser sein als der Mensch, der sie programmiert hat. ML-Algorithmen, angewendet auf große Mengen an Produktionsdaten, können dagegen Kausalitäten finden, welche die GAE verbessern und dem Anlagenbetreiber bis dato verborgen waren.

Viele Entscheidungsträger haben ein mulmiges Gefühl bei der Idee, ihre Produktionsdaten nach außen in die Cloud zu geben. Alternativ dazu kann mit einer ‚Edge‘-Lösung auf einem Standard-IPC direkt in der Anlage beziehungsweise an der Maschine, an der die Daten anfallen, die Sicherheit verbessert werden. Das Ziel der gesamtheitlichen Verbesserung von Verfügbarkeit, Leistung und Qualität ist nicht neu. Neu ist der datenbasierte Ansatz mittels ML-Algorithmen, wenn gewollt in der Anlage.