Blickt man in die Fertigung von Industrieunternehmen, sieht man zuhauf hochtechnisierte Anlagen mit Sensoren an unterschiedlichen Ecken des Produktionsprozesses. Sie erfüllen einen wichtigen Zweck: Die Geräte messen Temperatur, Druck, Strömung oder Vibration – Parameter, die für den reibungslosen Prozess von großer Wichtigkeit sind, da die Maschinen und Anlagen auf Basis der Messwerte gesteuert werden. Fällt ein Bauteil aus, ist das oft zuerst in den Sensordaten sichtbar. Dann muss schnell gehandelt werden, um langfristige und kostspielige Ausfälle zu vermeiden.
Viel sinnvoller ist es für Industrieunternehmen, wenn sie bereits im Vorfeld erkennen, dass der Ausfall eines Bauteils droht. Nur dann erhalten diese Planungssicherheit, die es in Zeiten turbulenter Weltwirtschaftslage unbedingt braucht. Was sich schlüssig anhört, ist in der Praxis häufig allerdings gar nicht so leicht umzusetzen. Die relevanten Daten fallen zwar in großen Mengen an, eine umfassende Datenaufbereitung und -analyse ist nach wie vor vielerorts nicht der Standard. Um die große Datenmenge handhabbar zu machen, bieten sich vor allem Methoden aus dem Bereich der künstlichen Intelligenz an, die Muster in den vorhandenen Daten aufdecken und für die weitere Analyse zugänglich machen. Damit wird die Produktion ausfallsicherer und effizienter. IFM bietet mit dem Moneo|PatternMonitor und dem Moneo|SmartLimitWatcher zwei Werkzeuge aus der IIoT-Plattform Moneo an, die die Mustererkennung und Prozessüberwachung mittels KI einfach möglich machen.
Produktionsdaten vom Sensor bis in die Cloud
Mit Moneo zeigt IFM seit mehreren Jahren, wie industrielle Daten aus dem Fertigungsprozess intelligent erfasst und ausgewertet werden können. Durch den genauen Zuschnitt auf die in der Anlage verbaute Sensorik und dem IIoT, ebnet die Software den Weg von der Feld- bis hin zu Unternehmensebene und sogar in die Cloud. Die Plattform ist modular aufgebaut und erlaubt dadurch die Individualisierung gemäß der eigenen Ansprüche. Ein großer Fokus liegt zudem auf der Zustandsüberwachung (Condition Monitoring). Durch die permanente Auswertung von Zustandsdaten werden Betriebsdaten visualisiert, Grenzwertüberschreibungen erkannt und automatische Alarme ausgelöst. Diese Alarmgrenzen spielen auch dann eine Rolle, wenn künstliche Intelligenz in den Überwachungsprozess eingreift. In ihrer Moneo|DataScience Toolbox bündelt IFM die algorithmenbasierten Analysemethoden.
Der Moneo|SmartLimitWatcher ermöglicht die automatische und frühzeitige Erkennung von Anomalien im Prozess anhand von festgelegten Ziel- und Hilfsvariablen. Das Werkzeug setzt dynamische Grenzwerte anhand eines KI-Datenmodells, das auf historischen Produktionsdaten aufbaut. Dadurch ist ein dauerhafter Soll-Ist-Vergleich möglich. Ändert sich die kritische Prozessgröße in Bezug auf die Produktionsqualität oder den Anlagenzustand, meldet das System die Abweichung intelligent an den Anwender. Die Empfindlichkeit des dynamischen Grenzwertprofils ist individuell von inaktiv bis hoch einstellbar, die untere und obere Alarm- und Warngrenze kann separat aktiviert werden. Der Moneo|SmartLimitWatcher ist ein weiterer Schritt bei der Zustandsüberwachung mit künstlicher Intelligenz. Um das volle Potenzial aus seinen Daten herauszuholen, macht es Sinn, diese mit Anwendungen zur Mustererkennung sinnvoll zu ergänzen.
Muster in den Daten aufdecken
Der zur Moneo|DataScience Toolbox gehörende Moneo|PatternMonitor erlaubt genau diese Mustererkennung. Die KI-basierte Software sucht permanent nach Strukturveränderungen in den vorher ausgewählten Prozessvariablen. Das ermöglicht die Überwachung von stationären und kontinuierlichen Prozessen. Abweichungen bei Temperatur, Strömung oder Vibration fallen auf und werden berücksichtigt. Der Moneo|PatternMonitor nutzt die Daten, um nach drei unerwarteten Mustern zu suchen: Bei Zu- oder Abnahme der Schwankungsintensität wird die Volatilität bestimmt. Eine allmähliche Niveauänderung zeigt einen potenziell gefährdenden Trend an. Die plötzliche oder stufenweise Zu- und Abnahme von Prozesswerten stuft die Software als Niveauwechsel ein.
Durch den schlanken Aufbau der softwarebasierten Überwachung ist die Mustererkennung für jedermann erkennbar, weshalb kein Expertenwissen zur Bedienung des Werkzeugs benötigt wird. Produktionsverantwortliche werden von einem leicht verständlichen Fünf-Schritt-Assistenten an die Hand genommen. Die automatisierte Datenaufbereitung, Qualitätsprüfung und Parametrierung der Mustererkennung machen die Bedienung komfortabel. Gleichzeitig erhalten die Unternehmen eine individuelle Lösung, indem die Sensitivität der Mustererkennung und des Bewertungszeitraums flexibel anpassbar ist.
Musterkennung in fünf Schritten
Die Mustererkennung durch den Moneo|PatternMonitor läuft in fünf Schritten ab: Zuerst wählen Nutzer die gewünschte Zielvariable und den Zeitraum, anhand dessen die Software eine Mustererkennung durchführt. Anschließend definieren sie den Modus, in dem der Bewertungszeitraum analysiert werden soll. Das Programm erlaubt dazu eine manuelle oder automatische Einstellung des Analyseintervalls. Per Knopfdruck macht sich das Tool an die Arbeit und berechnet die optimale Parametrierung zur Mustererkennung, bevor das Ergebnis nach individuellen Präferenzen modifiziert werden kann. Schließlich aktiviert der Nutzer die automatische Musterüberwachung und das Programm startet seine permanente Hintergrundüberwachung. Das macht die kontinuierliche Mustererkennung ohne notwendiges Zutun von Personal in der Produktion möglich.
