Wenn KI über den Maschinenpark wacht
Künstliche Intelligenz (KI) in der Industrie kann helfen, Verschleiß und drohende Schäden an teuren Maschinen rechtzeitig zu erkennen. Unternehmen vermeiden so teure Ausfallzeiten. Wie das Erkennen von Anomalien und damit die Vorausschauende Wartung (Predictive Maintenance) prinzipiell funktioniert, hat T-Systems-Experte Roberto Rösler seinen Kunden und mir an einem sehr anschaulichen Beispiel erklärt.
Es muss nicht gleich die ganz teure Lösung sein, um Anomalien zu erkennen. Anfangs reicht auch ein Raspberry Pi. Der bei Hobby-Informatikern und Profis gleichermaßen beliebte Mini-Computer ist nicht größer als eine Handfläche. Sein Arbeitsspeicher hat 1024 MB. Der von Watson, dem Superhirn von IBM, ist mehr als 16.000-mal leistungsfähiger. Doch für die Zwecke von Rösler, Fachmann für Künstliche Intelligenz bei T-Systems, reicht die Rechenpower des Raspberry Pi völlig aus.
Maschinen in der Industrie produzieren oft Unmengen von Daten über Sensoren und Logfiles. Wenn man diese Daten kontinuierlich und automatisiert analysiert, lassen sich Muster erkennen. Weichen diese von der Norm ab, kündigt sich wahrscheinlich ein Ausfall an. Dann kann der Produktionsleiter rechtzeitig gegensteuern. „Als Experten für Predictive Maintenance denken wir grundsätzlich von Ende zu Ende des Prozesses“, betont Rösler. „Doch mit meiner Demo geht es zunächst darum, das Prinzip der Anomalie-Erkennung zu erläutern.“
Modell lernen, Modell anwenden
Hier kommt die KI ins Spiel. Die Kunst ist es nämlich, kritische Datenmuster zu identifizieren. Rösler hat den Raspberry Pi in anderthalb Tagen trainiert. Von „Model Creation“ oder Modell-Lernen sprechen Experten. Das heißt vereinfacht: Auf Basis von früher aufgezeichneten Daten entsteht ein abstraktes Modell, das den Normalzustand einer Maschine beschreibt. Erkennt die geschulte Software Abweichungen von den gelernten Routinen, schlägt sie Alarm. Sie wendet also das Gelernte an (Model Application).
Röslers Demo-Objekt ist nur auf den ersten Blick weit entfernt von einem hochmodernen, und teurem, Maschinenpark eines Weltmarktführers. Die komplexe „Maschine“ ist er selbst. Die Sensoren seines Smartphones registrieren seine Bewegungen. Und die KI überwacht, ob er sich im definierten Rahmen bewegt. Vorwärts Gehen und Stehen sind der Normalzustand, wie Rösler der KI auf Basis von Beschleunigungsdaten beigebracht hat. Registriert der Raspberry Pi also mit Hilfe des Smartphones andere Bewegungen wie rückwärts Gehen oder Hüpfen, meldet er eine Anomalie und lässt einen LED Alarm blinken.
Gerät ein Industrieroboter aus dem Takt …
Nun muss man sich nicht gleich sorgen, wenn ein Experte für Künstliche Intelligenz mal hüpft. Wenn aber ein Industrieroboter an einer Produktionsstraße nur minimal aus dem strengen Takt gerät, sollte der Schichtleiter genauer hinschauen. Denn vielleicht müssen die Techniker die Maschine schon vor dem geplanten Inspektionstermin warten. So verhindern sie größeren Schaden.
Das smarte Erkennen von Anomalien ist Teil einer Gesamtlösung für Predictive Maintenance von T-Systems. „Wir können verschiedenste Datenströme auf Auffälligkeiten automatisch untersuchen“, erklärt Rösler. Wichtig sei dabei auch, wie genau das Anwendungsszenario aussehe. Nicht immer ist ein Modell in der Cloud ökonomisch sinnvoll. „KI-Anwendungen für Anomalie-Erkennung brauchen in der Regel viele Ressourcen beim Lernen, aber nur sehr wenige bei der Anwendung“, sagt Rösler. „Außerdem ist die Reaktionsgeschwindigkeit manchmal am wichtigsten. Dann nützt es nichts, die komplette Datenmenge erst in die Cloud zu übertragen.“ Besser sei es dann, die Daten direkt an der Maschine auszuwerten. Latenzzeiten und Übertragungskosten entfallen dann. „Wir verlagern Intelligenz also an den Rand der Cloud, in die so genannte Edge Cloud.“ Dort arbeiten dann vernetzte Mini-Computer, etwa so wie der Raspberry Pi.
Ob KI aus der Cloud oder auf dem Edge-Device: Industrieunternehmen bieten sich mit dem Thema Anomalie-Erkennung drei Anwendungsfälle:
- Das Frühwarnsystem.
- Die Ursachen-Analyse, um im Falle von Schäden die Ursachen schneller zu identifizieren und zu beheben.
- Die Risikoabschätzung, um ein detailliertes Bild vom Zustand des gesamten Maschinenparks zu erhalten.
Wie so etwas in der industriellen Praxis funktioniert, zeigt T-Systems auf der Hannover Messe. Ein Einsatz-Szenario bietet etwa eine Ölgesellschaft. Wenn vielen Daten anfallen, Kommunikationswege begrenzt und schnelle Entscheidungen gefragt sind, hilft die Datenverarbeitung am Rande der Cloud. Mit dem so genannten Edge Computing kann ein Energiekonzern mehrere hundert Pumpen und Leitungsregler in Echtzeit steuern.