Industrie 4.0: Künstliche Intelligenz im Industrie-Einsatz

Künstliche Intelligenz zieht im industriellen Bereich ein. Doch wie ist KI aus Produktionssicht zu definieren? Und inwiefern kann sie Unternehmen auf dem Weg Richtung Industrie 4.0 unterstützen?

Künstliche Intelligenz Bildquelle: © Shutterstock

Grundlage für Künstliche Intelligenz sind die Daten selbst – und Konnek­tivität ist der erste Schritt auf dem Weg zur Industrie 4.0. Große Daten­mengen alleine reichen jedoch nicht aus. Was benötigt wird, ist ein Weg, sinnvolle Informationen daraus zu ziehen und ­Handlungsoptionen für die Anwender und das Unternehmen abzuleiten. Genau hier kommen die Advanced Analytics ins Spiel. Analysen, die dem Anwender In­formationen über die Art der Vorfälle liefern, helfen bei der Vermeidung gleich­artiger Störungen. 

Advanced Analytics geht noch einen Schritt weiter. Es umfasst autonome Analysen von Echtzeit-Gerätedaten, den Vergleich mit historischen Informationen, Vorhersagen oder Vorschläge zur Intervention. In Predictive-Maintenance-Applikationen finden diese Techniken bereits ihre Anwendung. Sie bieten Fertigungsunternehmen direkte Vorteile, da sie unnötige Ausfallzeiten verhindern, indem sich Unterbrechungen vermeiden und nötige Wartungs- und Reparaturarbeiten innerhalb eines geplanten Ausfallzeitfensters durchführen lassen.

Bei mehreren miteinander verbundenen Maschinen und Geräten besteht die Herausforderung ganz klar darin, den schnell anwachsenden Datenstrom zu analysieren, die Daten zu interpretieren und Berichte oder Maßnahmen anzustoßen. Bei Rockwell Automation werden Advanced Analytics, die in die Bereiche KI und maschinelles Lernen fallen, unter dem Dach von LogixAI zusammengefasst. Der Begriff geht auf die Logix-Reihe programmierbarer Automationssteuerungen und die für deren Programmierung verwendete RSLogix-Software zurück. Die übergeordnete LogixAI-Technologieplattform kann in vier Bereiche eingeteilt werden, auf die sich die F&E-Spezialisten von Rockwell Automation konzentrieren:

  • ein Stream-Clustering-Modul, 
  • ein automatisiertes Modellierungsmodul, das aktuell den Code-Namen Sherlock trägt,
  • ein nonlineares, solides und rechnerisch effizientes ‚mixed-integer Optimization Module‘ 
  • sowie ein Selbstlernmodul für die Selbstoptimierung der miteinander gekoppelten PID-Regler. 

In diesem Artikel werden die ersten beiden Module behandelt, da diese sich auf die Leistungsüberwachung und auf Echtzeit-Diagnose-Anwendungen beziehen.