Mobile-Menu

Gut kombiniert!

Retrofit und Edge Cloud machen auch Bestandsanlagen KI-fähig

< zurück

Seite: 2/4

Anbieter zum Thema

Fraunhofer CCIT

KI verlangt nach dem passenden Kontext

Die technische Verfügbarkeit der Daten ist aber nur der erste Schritt. Denn ein Messwert wird erst aussagekräftig, wenn sein Kontext bekannt ist. Das heißt, zu welcher Maschine und welchem Bearbeitungsschritt gehört er? Welches Werkzeug und Material waren im Einsatz? Welche weiteren Prozessparameter und Qualitätsergebnisse liegen vor? Erst durch diese Kontextualisierung lassen sich Sensor-, Maschinen-, Prozess- und Qualitätsdaten gemeinsam auswerten. Verfahren des Maschinellen Lernens (ML) können auf dieser Basis Muster und Zusammenhänge erkennen. Je nach Anwendung lassen sich Anomalien identifizieren, Werkzeugverschleiß erkennen, Qualitätsabweichungen prognostizieren oder Prozessparameter optimieren. Weil sich Produktionsbedingungen aber verändern – etwa durch Werkzeugverschleiß, wechselnde Materialien oder Chargen – müssen KI-Modelle im Betrieb überprüft und bei Bedarf mit neuen Daten weiterentwickelt werden. Damit stellt sich zugleich die Frage, wo Daten verarbeitet und Modelle trainiert werden sollen.

ECC4P verbindet die technischen Bausteine

„Industrial AI“-Anwendungen stellen unterschiedliche Anforderungen an die Datenverarbeitung. Zeitkritische Aufgaben wie Prozessüberwachung oder Anomalieerkennung müssen möglichst nah an der Maschine stattfinden. Das Training, Testen und Validieren von ML-Modellen benötigt dagegen häufig größere Datenbestände und skalierbare Rechenressourcen. Eine starre Entscheidung zwischen Edge oder Cloud greift daher zu kurz. Ein Edge Cloud Continuum ermöglicht es dann, Daten und Rechenaufgaben jeweils dort zu verarbeiten, wo dies technisch und wirtschaftlich sinnvoll ist. An der Edge können Sensor- und Maschinendaten in Echtzeit synchronisiert, gefiltert und analysiert werden.

Bildergalerie

Neue Daten für Anpassungen und Re-Training

Für das Training eines KI-Modells werden aufbereitete Daten bei Bedarf in eine leistungsfähigere Cloud- oder wenigstens in eine der Cloud nahestehende Infrastruktur übertragen. Die dort trainierten und validierten Modelle gelangen dann zurück an die Edge und werten aktuelle Messwerte prozessnah aus. Neue Produktionsdaten können so für die Anpassung und das Re-Training genutzt werden. So entsteht ein Lernkreislauf zwischen Maschine, Edge und Cloud: Produktionsdaten verbessern die Modelle, aktualisierte Modelle fließen zurück in den Betrieb. Entscheidend ist der modulare Aufbau. Einzelne Bausteine können je nach Produktionsumgebung ergänzt und schrittweise zu einer umfassenderen Architektur verbunden werden. Damit lässt sich der Ansatz an unterschiedliche Maschinen, Fertigungsverfahren und vorhandene IT-/OT-Strukturen anpassen. Gerade Bestandsanlagen können so schrittweise zu anschlussfähigen Datenquellen weiterentwickelt werden.

(ID:50960334)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung