5-Stufen-Plan für KI-Applikationen

Mario Pasi, Director Consulting Services bei CGI Deutschland
Mario Pasi, Director Consulting Services bei CGI Deutschland
Mario Pasi, Director Consulting Services bei CGI Deutschland
Mario Pasi, Director Consulting Services bei CGI DeutschlandBild: CGI Deutschland B.V. & Co. KG / ©Martin Barth

Die Erhöhung der Gesamtanlageneffektivität (OEE – Overall Equipment Effectiveness) ist ein wichtiges Ziel vieler Fertiger. Ab einem gewissen Niveau geht das kaum noch ohne Ermittlung und Nutzung relevanter Daten aus den Anlagen. Doch das lokale Erheben und Speichern der IoT-Daten von Steuerungen in einer Produktionsstraße reicht allerdings oft nicht aus. Wichtig ist vielmehr, diese Daten systemübergreifend zu vernetzen, um Erkenntnisse und Maßnahmen daraus abzuleiten. Um diese Fähigkeit zu erlangen, hat der IT-Dienstleister CGI für seine Kundenprojekte ein Fünf-Stufen-Konzept entwickelt. Auf jeder Stufe wird dabei ein bestimmter Grad an Automatisierung im Unternehmen realisiert.

 Die Integration von loT und Big Data Analytics zur Steigerung der Gesamtanlageneffektivität
Die Integration von loT und Big Data Analytics zur Steigerung der GesamtanlageneffektivitätBild: CGI Deutschland B.V. & Co. KG

1. Statische Regeln nutzen

Auf Level 1 geht es darum, statische Regeln festzulegen. Dabei werden Schwellenwerte und Grenzwerte durch Produktionsingenieure definiert, etwa hinsichtlich Durchsatz, Qualitätsrate oder Ausschussquote. Durch einen Soll-Ist-Vergleich können dann Abweichungen von der Norm in Produktionsprozessen erkannt werden. Basis für die effiziente Umsetzung ist eine gute Datenlage. Wichtig ist die Nutzung von IoT-Technik und Sensorik sowie Data Lakes, um Daten ohne kostspielige Datenbanken einzusammeln. Data Lakes sind auch eine gute Basis für weitreichende Big-Data-Analysen. Hilfreich ist zudem ein Echtzeit-Reporting, das im Unterschied zum rückblickenden Charakter von BI-Data-Warehouses einen Überblick zum aktuellen Stand in der Produktion gibt.

2. Fehler verstehen

Der zweite Schritt beinhaltet das Verstehen von Fehlern, das heißt die Identifizierung ungewöhnlicher Werte. Hierbei geht es um weit mehr als nur um das Messen von Abweichungen zwischen Schwellenwerten beziehungsweise Ist-Werten und Plan-Werten. Auf Basis einer persistenten Datenhaltung können auch historische Erkenntnisse gewonnen werden. Unter Nutzung statistischer Verfahren ist es dann zum Beispiel möglich, künftige Entwicklungen zu prognostizieren, etwa mit der Bestimmung des Zeitpunkts, an dem das nächste Event – etwa ein Produktionsstillstand – zu erwarten ist. Für die Anomalie-Erkennung kommen auf diese Digitalisierungstufe künstliche Intelligenz wie Machine Learning zum Einsatz. Damit werden automatisch Anomalien in Datenströmen ermittelt, die Qualitäts- und Leistungsschwankungen repräsentieren. Basis dafür sind die mit vorhandenen Erkenntnissen angelernten Algorithmen. Am Markt sind etliche geeignete Algorithmen verfügbar, oft als Open-Source-Software und teilweise bereits vortrainiert. Solche KI-Anwendungen sind gerade für den industriellen Sektor vorhanden. Bereitgestellt werden sie vor allem von den Equipment-Herstellern für den Edge-Bereich.

Für Unternehmen besteht die erste Aufgabe darin, die Algorithmen im Trainingsmodus mit eigenen Daten zu füttern. Von entscheidender Bedeutung für die Anomalie-Erkennung ist eine umfangreiche Datenerhebung. Es handelt sich dabei um einen kontinuierlichen Prozess. Wenn Änderungen in den Daten bemerkt werden, kann der Algorithmus neu trainiert und damit weiter optimiert werden.

3. Fehler früh erkennen

Level 3 des Reifegrad-Modells umfasst das frühe Erkennen von Fehlern unter Einsatz von KI- und ML-Systemen. Genutzt werden dabei Algorithmen für die Event-Korrelation und Root-Cause-Analysen, die Zusammenhänge zwischen Fehlern und Ursachen herstellen. Dabei werden Datenströme untersucht, um Muster in der Vergangenheit zu erkennen, als Fehler auftraten. Das heißt, Fehler werden im Kontext vorhergehender Ereignisse gesehen. Ein Beispiel für ein solches Ereignis könnte das verstärkte Auftreten von Vibrationen sein. Als anerkanntes Verfahren für die Abdeckung der Level-3-Anforderungen gilt CRISP-DM (Cross-Industry Standard Process for Data-Mining). Damit kann ein Unternehmen Muster erkennen und darauf aufbauend entsprechende Maßnahmen initiieren. Prinzipiell zielt die Level-3-Stufe auf das Erkennen von Ereignissen ab, bevor sie eintreten. Mittels KI werden dabei Wahrscheinlichkeiten, etwa für unerwartete Störungen oder Leistungsverluste, ermittelt. Für Unternehmen besteht dadurch die Möglichkeit, eine ungeplante Downtime in eine geplante Downtime zu überführen. Auch für die erfolgreiche Umsetzung der Level-3-Stufe ist die Grundvoraussetzung, dass ausreichend Daten verfügbar sind.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert