Weidmüller

Mit Machine Learning CO2-Fußabdruck reduzieren

2. August 2022, 14:06 Uhr | Tobias Gaukstern
Weidmüller: Mit Machine Learning CO2-Fußabdruck reduzieren
© malp/stock.adobe.com

Mit der digitalen Transformation lässt sich die ökologische Transformation beschleunigen. Verschiedene Beispiele zeigen, wie sich mit Hilfe von Künstlicher Intelligenz der CO2-Fußabdruck in der Produktion reduzieren lässt. Doch wie nachhaltig ist KI?

Viele Unternehmen haben sich zur Klimaneutralität bekannt und wollen ihren Beitrag zum Klimaschutz und für mehr Nachhaltigkeit leisten. Konkrete Maßnahmen, wie die vom eigenen Unternehmen verursachten Emissionen (ob direkt oder indirekt) reduziert werden können, müssen umgesetzt werden. Die Strategien der Unternehmen zu mehr Nachhaltigkeit unterscheiden sich dabei sehr. Jedes Unternehmen muss eine individuelle Lösung finden, sei es die Überwachung und Optimierung der Produktion zur Verringerung des Ausschusses, die Einsparung von Energie im Betrieb von Prozessanlagen oder die intelligente Überwachung von Produktionsprozessen. Ein Hilfsmittel kann Künstliche Intelligenz (KI) sein, mit der sich Produktionsprozesse optimieren und Ressourcen wie Energie, Material oder Zusatzstoffe einsparen lassen. Alle erschlossenen Einsparpotenziale zahlen auf die Klimabilanz und Nachhaltigkeit ein.

KI kann die Nachhaltigkeitsziele auf zwei Arten beeinflussen: Zum einen kann KI als Technologie eingesetzt werden, um die Produktion nachhaltiger zu gestalten; zum anderen lässt sich beobachten, inwieweit eine KI-Lösung selbst nachhaltig ist – also wie ressourcenintensiv die Entwicklung und der Betrieb der KI-Lösung sind.

Mit KI den Schweißprozess optimieren

Durch die Optimierung von Produktionsprozessen mittels KI kann zum Beispiel die Qualität der Produkte sichergestellt und damit der Ausschuss reduziert werden. Weniger Ausschuss bedeutet weniger Materialeinsatz und einen geringeren Energiebedarf.

Die international tätige Grenzebach Gruppe setzt beispielsweise auf die Industrial Analytics Software von Weidmüller. Gegenstand des Projekts ist die Zustands- und Qualitätsüberwachung des Rührreibschweiß-Prozesses. An der Maschine verbaute Sensoren erfassen die Prozessdaten während des Schweißprozesses und ermöglichen zusammen mit der Analytics Software ein Echtzeit-Monitoring für den Schweißprozess. Durch intelligente Datenanalyse wird sowohl eine präzise Qualitätssicherung als auch eine gezielte Wartung der Maschinen ermöglicht, wodurch Ressourceneinsparungen realisiert werden.

Mit Machine Learning CO2-Fußabdruck reduzieren
Beim Rührreibschweißen werden Metalle mithilfe eines rotierenden Werkzeugs an der Nahtstelle gerührt und nicht geschmolzen. Die Nahtstelle wird erhitzt und im festen Zustand verbunden.
© Grenzebach

Mit seinen Rührreibschweiß-Systemen bietet Grenzebach ein Fügeverfahren zum Verbinden von Aluminium. Es verbindet Werkstücke reproduzierbar druck- und mediendicht. Dabei werden Metalle mithilfe eines rotierenden Werkzeugs an der Nahtstelle gerührt und – im Vergleich zum Lichtbogen- und Laserstrahlschweißverfahren – nicht geschmolzen. Die Nahtstelle wird erhitzt, jedoch im festen Zustand verbunden. Rührreibschweißen lässt sich optimal in die industrielle Serienproduktion einbinden.

Eine Qualitätskontrolle erfolgt bisher bei diesem Prozess klassisch regelbasiert sowie bedarfs- beziehungsweise stichprobenweise optisch und manuell durch den Bediener im Anschluss an den Schweißprozess. Eine effizientere Kontrolle ermöglicht eine KI-Lösung: Das trainierte Machine Learning (ML) Modell vergleicht die erfassten Prozessdaten bereits während des Schweißprozesses mit einem Referenzdatensatz. Sobald eine Abweichung außerhalb der definierten Parameter vorliegt, erhält der Maschinenbediener einen Hinweis über eine Anomalie im Schweißprozess.
Die Analytics Software ermöglicht so, die Prozessparameter und damit auch die Qualität der Schweißnaht sowie der produzierten Teile schon während des Schweißprozesses zu bewerten – und nicht wie bisher im Nachhinein.

Energiesparen im Fokus

Bei vielen Nachhaltigkeitsprojekten steht das Einsparen von Energie im Vordergrund. Das gilt nicht nur für die industrielle Produktion. In vielen weiteren Anwendungsbereichen kann durch den Einsatz von KI Energie eingespart werden, beispielsweise bei der Wasseraufbereitung in Klärwerken. Nach der ersten mechanischen Absonderung, also dem Entfernen von festen Stoffen, wird im weiteren Prozess das Wasser verlangsamt, damit sich weitere Schmutzstoffe absetzten können. Danach startet der energieintensivste Prozess der Abwasseraufbereitung im sogenannten Belebungsbecken. Hier beginnt die biologische Reinigung des Abwassers. Bakterien bauen in einem Wechsel von belüfteten und unbelüfteten Beckenzonen schädliche Verbindungen ab. Damit die Bakterien arbeiten und atmen können, wird Luft in das Becken eingeblasen. Dadurch ist das Gebläse einer der Hauptenergieverbraucher in einem Klärwerk. Mit dem Einsatz von ML-Methoden kann eine „intelligente Fahrweise“ des Gebläses ermittelt werden: das heißt der optimale Betriebspunkt hinsichtlich Lastanforderung und Energieverbrauch. Durch die ideale Einstellung des Gebläses lassen sich bis zu 20 % an Energiekosten einsparen, was zu einer erheblichen CO2-Reduzierung führt. Ökologische und ökonomische Nachhaltigkeit gehen dabei Hand in Hand.

Wie nachhaltig ist KI?

Den positiven Nachhaltigkeitseffekten durch den Einsatz von KI steht der Energiebedarf von KI-Lösungen gegenüber. Gerade das Training von KI-Modellen ist sehr energieintensiv. Beim Modelltraining werden zahlreiche Modellvarianten erstellt und Optimierungsschleifen durchlaufen, was die IT-Infrastruktur entsprechend beansprucht und u.a. in einem hohen Energiebedarf resultiert. Ebenso verbraucht die Modellausführung im Betrieb sowie die Verwaltung und Aktualisierung der Modelle entsprechende Ressourcen.

Industrial AutoML und Green AutoML
Mit der Industrial AutoML Software möchte Weidmüller Ingenieure in die Lage versetzt, eigenständig nachhaltige KI-Lösungen zu erzeugen. Maschinen- oder Prozessexperten können KI-Modelle einfach und ohne Vorkenntnisse im Bereich Data Science erstellen und betreiben, wobei der Nutzer im Sinne einer Guided Analytics durch den Modellerstellungsprozess geführt wird und dabei sein Domänenwissen einbringen kann. Wird das Domänenwissen dabei bewusst eingesetzt, um nachhaltige KI-Lösungen zu kreieren, lässt sich auch von Green AutoML sprechen.

 

Für eine nachhaltige KI muss bereits beim Training der Modelle die Energieeffizienz als zusätzliches Ziel berücksichtigt werden. Dabei ist der Energieaufwand für das Training und den Betrieb des Modells zur Güte des Modells ins Verhältnis zu setzten. Damit lässt sich einem KI-Modell ein CO2-Fußabdruck zuweisen und die Wirkung von KI auf die Nachhaltigkeitsziele ganzheitlich bewerten. Festgelegt wird die Nachhaltigkeit eines KI-Modells insbesondere in der Trainingsphase. Der Trainingsprozess ist umso energieeffizienter, je weniger Iterationsschleifen beim Training durchlaufen und je weniger Daten für das Training benötigt werden. Es kommt also darauf an, den Lösungsraum möglichst schnell konvergieren zu lassen, um nur diejenigen KI-Verfahren weiterzuverfolgen beziehungsweise Optimierungsschleifen für diejenigen Modelle zu durchlaufen, deren Optimierung auch lohnenswert erscheint – also zu einer Verbesserung der Modellgüte führt. Ähnliche Zusammenhänge gelten grundsätzlich auch für die Betriebsphase: Je weniger Daten das Modell verarbeiten muss, je effizienter das Modell ist und je seltener das Modell ausgeführt werden muss, desto weniger Ressourcen werden beansprucht.

Beeinflussen lässt sich die Nachhaltigkeit eines KI-Modells durch das Domänenwissen. Bisher wird die Bedeutung des Domänenwissens im Trainingsprozess primär aufgrund seines Einflusses auf die Modellgüte diskutiert. Zusätzlich kann das Domänenwissen genutzt werden, um die Energiebilanz von KI-Modellen zu verbessern. Dazu bietet die Industrial AutoML Software von Weidmüller dem Nutzer die Möglichkeit, den Lösungsraum für das Modelltraining einzugrenzen, indem z.B. domänenspezifische Features für das Modelltraining erstellt oder ausgewählt werden. Dadurch werden Randbedingungen gesetzt, die während der Trainingsphase einen effizienten Durchlauf durch den Lösungsraum ermöglichen. Angestrebt wird damit eine KI-Lösung mit einer besseren Energiebilanz über den gesamten Lebenszyklus.

KI bringt viele Vorteile

Mit Machine Learning CO2-Fußabdruck reduzieren
Der Autor: Tobias Gaukstern ist Leiter Business Unit Industrial Analytics bei Weidmüller.
© Weidmüller

Richtig eingesetzt ist KI ein Katalysator für ökologische und ökonomische Nachhaltigkeit. KI hilft bei der Einsparung von Energie sowie der Reduktion von CO2 und ermöglicht einen effizienteren Umgang mit Ressourcen wie Wasser, Materialien, Hilfs- und Betriebsstoffe, Maschinen und vieles mehr. Gleichzeitig lässt sich durch den Einsatz von KI die Produktivität in der Produktion steigern.


Das könnte Sie auch interessieren

Verwandte Artikel

Weidmüller Interface GmbH & Co.KG

Künstliche Intelligenz

SPS