Künstliche Intelligenz in der Smart Factory: Anforderungen an die PC-Hardware

Intelligente Fertigung und Wartung erhöhen Produktivität und Verfügbarkeit. Die Potenziale lassen sich allerdings nur mit leistungsfähiger Hardware realisieren.

In den Fabriken des Industrie-4.0-Zeitalters spielen nicht mehr Maschinen, sondern Daten die entscheidende Rolle. Pausenlos liefern Sensoren Informationen über Betriebsparameter wie Temperatur, Luftfeuchte, Drehmoment oder Vibrationen, die gespeichert und ausgewertet werden müssen. Angesichts der Menge und Komplexität der Daten, ist dies heute nur noch mit fortgeschrittenen Analysemethoden möglich, die auf Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) basieren. So lassen sich beispielsweise die Betriebszustände von Maschinen messen und Vorhersagen über deren Ausfallwahrscheinlichkeit treffen. Statt starrer Wartungsintervalle kommen Techniker dann nur noch gezielt bei Bedarf zum Einsatz, was nicht nur Kosten spart, sondern auch die Verfügbarkeit erhöht. Dieser Bereich, Predictive Maintenance genannt, ist derzeit Spitzenreiter, wenn es um die industrielle Anwendung von KI geht. Laut dem Marktforschungsunternehmen IoT Analytics entfiel 2018 knapp ein Viertel des Gesamtmarktes industrieller KI-Nutzung von rund 15 Milliarden US-Dollar auf Anwendungen in der vorausschauenden Wartung.

Für den industriellen Einsatz von Predictive Maintenance gibt es bereits viele Beispiele. So setzt etwa die Deutsche Bahn für die vorausschauende Wartung ihrer Weichen auf künstliche Intelligenz. Der Weichensensor des Münchner Startup Konux, der hier zum Einsatz kommt, überwacht die wichtigsten Funktionsparameter und den Energieverbrauch selbständig und führt eine Vorverarbeitung der Rohdaten durch. Diese Daten werden dann drahtlos an ein Backend-System übermittelt, wo sie mithilfe von Neuronalen Netzen und anderen Verfahren des Maschinellen Lernens ausgewertet werden. So lassen sich laut Hersteller Ausfallzeiten reduzieren und die Wartungskosten um ein Viertel senken.

Einer der Pioniere im Bereich Predictive Maintenance ist der Windkraftanlagen-Hersteller Siemens Gamesa Renewal Energy. Das Unternehmen hat bis heute nach eigenen Angaben mehr als 10.000 Windkraftturbinen mit jeweils mehr als 300 Sensoren ausgestattet. Diese liefern pro Tag über 200 Gigabyte an Daten an das Diagnosezentrum im dänischen Brande, wo sie unter anderem mit KI-basierten Analysemethoden ausgewertet werden. So können beispielsweise 99 Prozent aller Antriebsschäden korrekt vorhergesagt und ein Ausfall der Turbinen vermieden werden. Oft ist dazu nicht einmal ein Technikereinsatz notwendig. 85 Prozent aller eingehenden Alarme kann das Team innerhalb von zehn Minuten aus der Ferne lösen.

Auch thyssenkrupp Elevator, die Anfang 2020 an ein Investorenkonsortium verkaufte Aufzugssparte des Thyssenkrupp-Konzerns, nutzt Vorhersagemodelle und IoT-Daten für die vorausschauende Wartung. Mit der Cloud-basierten Predictive-Maintenance-Lösung „MAX“ verspricht der Hersteller, die Ausfallzeiten von Aufzügen um die Hälfte reduzieren zu können. Mithilfe von KI und maschinellem Lernen erkennt das System Probleme, bevor sie zu Schäden führen. Die daraufhin benachrichtigten Servicetechniker können gezielt die betroffenen Komponenten austauschen oder reparieren.

 

Qualitätssicherung und Digitaler Zwilling

Mit rund einem Fünftel Anteil am Gesamtumsatz ist die Qualitätsprüfung und -sicherung laut IoT Analytics der zweitgrößte Einsatzbereich für KI im industriellen Umfeld. Das Industrieunternehmen Bosch konnte beispielsweise durch den Einsatz Künstlicher Intelligenz in der Qualitätssicherung die Rate unentdeckter Produktionsfehler auf Null senken, den Zeitaufwand für Tests um 45 Prozent reduzieren und so insgesamt 1,3 Millionen Euro einsparen.

Noch weiter gehen Projekte, in denen Bauteile, Produkte oder sogar ganze Fertigungsanlagen komplett digital nachgebildet werden. Ein solcher „Digitaler Zwilling“ stellt eine möglichst genaue Repräsentation der physikalischen Welt dar und ermöglicht es beispielsweise, mithilfe von Augmented und Virtual Reality (AR/VR) Gebäude oder Produktionsstraßen virtuell in Betrieb zu nehmen, bevor sie überhaupt gebaut werden. Der Konzern Asea Brown Bovery (ABB) will sogar eine ganze Fabrik über einen Digitalen Zwilling steuern. In dem Werk, das Ende 2020 in Shanghai den Betrieb aufnehmen soll, werden Roboter selbstlernend und weitgehend autonom andere Roboter herstellen. Statt starrer Fertigungsstraßen kommen flexible autonome Produktionsinseln zum Einsatz. So ist nach Angaben des Konzerns eine wesentlich größere Fertigungsvielfalt möglich als bei einer traditionellen Herstellung.

 

 

Leistungsanforderungen an die Hardware

Bei der Datenerfassung, -verarbeitung und -analyse im industriellen Kontext spielen Leistung und Stabilität der IT eine wesentliche Rolle. Vor allem das Training Neuronaler Netze, ein wesentlicher Bestandteil des maschinellen Lernens, ist sehr rechenintensiv, aber auch die Verarbeitung großer Datenmengen für die Mustererkennung erfordert leistungsfähige Rechner. Computer auf Basis der aktuellen zehnten vPro Generation von Intel erlauben es beispielsweise, Daten um bis zu 44 Prozent schneller zu analysieren als mit einem fünf Jahre alten Desktop. Speziell für den IoT-Einsatz konzipierte Core-, Xeon-, Pentium- und Celeron-Prozessoren bieten mit bis zu 10 Multithreading-fähigen Kernen, einem TDP (Thermal Design Power) von 35 bis 65 Watt und der Möglichkeit, bis zu drei unabhängige 4K-Monitore anzuschließen, ideale Voraussetzung für den Einsatz im industriellen Umfeld.

Das Stable-IT-Plattform-Programm (SIPP) von Intel sorgt darüber hinaus für einen langfristig stabilen Betrieb und eine problemlose Migration auf die nächste Hardware-Generation. Es umfasst neben den Prozessor- und Grafikmodulen auch andere wichtige Plattformkomponenten wie Netzwerkkarten, SSDs oder Thunderbolt-Ports und stellt sicher, dass Komponenten und Treiber für mindestens 15 Monate oder bis zur nächsten Generation der Technik ohne große Änderungen stabil betrieben werden können.

 

Fazit

Von der vorausschauenden Wartung bis zur Steuerung ganzer Fabriken über einen Digitalen Zwilling – Künstliche Intelligenz und Machine Learning kommen schon heute in zahlreichen industriellen Anwendungsfeldern zum Einsatz. Viele Industrie-PCs sind jedoch in die Jahre gekommen und liefern nicht die nötige Leistung, um Neuronale Netze trainieren oder große Datenmengen analysieren zu können. Die Investition in moderne leistungsfähige Hardware ist deshalb ein wichtiger Meilenstein auf dem Weg ins Industrie-4.0-Zeitalter.

 

 

 

kommentar field