Den MES Datenschatz heben
„Wenn man rechtzeitig weiß, wann Anlagen ausfallen werden, lassen sich Produktivitätsverluste durch vorausschauende Instandhaltung vermeiden“, so Bernhard Falkner (CTO Industrie Informatik) über einen der praxisorientierten Anwendungsfälle von Predictive Analytics zur Aufdeckung von Einsparungspotenzialen am Shopfloor. Industrie Informatik bietet MES-Anwendern die Möglichkeit, proaktive Maßnahmen zur Vermeidung kostspieliger Maschinenausfälle zu setzen, anstatt erst im Nachhinein zu reagieren.
Anhand innovativer Ansätze aus dem Bereich des maschinellen Lernens kann beispielsweise im Umfeld hochgradig vernetzter und eng getakteter Produktionsprozesse die Wahrscheinlichkeit für eine Arbeitsplatzstörung in der nächsten Schicht – mit oder ohne Wartungsbetrachtung – prognostiziert werden.
Predictive Analytics am Shopfloor
Digitale Informationen aus der Fertigungswelt lassen in Kombination mit geeigneten KI-Methoden Muster darin erkennen und ermöglichen es, entsprechende Schlussfolgerungen über erwartbare Zustände und zukünftige Trends zu ziehen. „Das frühzeitige Erkennen von Abweichungen anhand zuverlässiger Prognosen beispielsweise zu relativen Ausschüssen sowie zum Qualitätsstatus nach Fertigungsschritten, ist ein wichtiger Schritt zu verbesserter Kapazitätsauslastung, Termintreue und geringeren Lagerständen. Predictive Analytics trägt somit maßgeblich zu einer zukunftsfähigen, digitalen Fertigungswelt bei“, beschreibt Falkner weitere Predictive-Einsatzmöglichkeiten für mittelständische Unternehmen am Shopfloor.
Von Maschinendaten zur Prediction
Keine Frage, künstliche Intelligenz in der Fertigung bietet zahlreiche Mehrwerte. Anwender stehen jedoch zunächst vor Hürden hinsichtlich der Komplexität, die sich aus der Notwenigkeit der Datenbereitstellung und -aufbereitung ergeben. Laut der Studie „Künstliche Intelligenz – Wo steht die deutsche Wirtschaft“ im Auftrag des Digitalverbands Bitkom (Quelle: Bitkom Research 2022) sind „die größten Hemmnisse für den KI-Einsatz in Unternehmen derzeit fehlende personelle Ressourcen sowie fehlende Daten für den KI-Einsatz (je 62 Prozent)“.
Um diese neuen Technologien rasch gewinnbringend einsetzen zu können, hat Industrie Informatik daher den Weg über einen Out-of-the-box-Technologie-Stack gewählt, der einen einfachen Einstieg in die Themen Künstliche Intelligenz und Predictive Analytics ermöglicht. „Während in KI-Projekten oft bis zu 80 Prozent der Zeit für Datenaufbereitung notwendig sind, haben wir den Großteil dessen bereits für unsere MES-Anwender umgesetzt und in die Referenzarchitektur basierend auf Docker-Technologie aufgenommen. Zudem liefert die Verwendung des Random Forest Modells als Lern-Algorithmus schnelle Durchlaufzeiten und eine sehr gute Interpretierbarkeit der Ergebnisse“, entkräftet CTO Bernhard Falkner vielfache Vorbehalte gegenüber KI-Projekten.
Konkret hilft ein Data Preprocessing Framework dem Anwender, bestehende Betriebs-, Maschinen- und Prozessdaten aus cronetwork MES und Daten aus weiteren Quellen wie beispielsweise Zeitserien, im ersten Schritt zu bereinigen und aufzubereiten, bevor eine KI die laufende Bewertung und Interpretation der daraus gewonnenen Informationen vornimmt. Das Standard-Datenmodell von cronetwork MES sowie cronetwork PIDO als zentrales Datenbeschaffungs- und Darstellungsobjekt schaffen große Effizienzvorteile, die sich in der raschen Umsetzbarkeit zeigen.
Basis für valide Ergebnisse
Künstlicher Intelligenz wird im Allgemeinen nachgesagt, große Datenmengen zu benötigen, die das Verhalten der Anlagen und Prozesse in verschiedenen Betriebszuständen abbilden. Eine konkrete Quantifizierung hinsichtlich Datensätzen, die für den vernünftigen Einsatz von Machine Learning in der Fertigung erforderlich sind, ist kaum möglich, da dies in der Praxis von Fall zu Fall beurteilt werden muss. Zunächst ist es wichtig zu verstehen, dass die Datenmenge von verschiedenen Faktoren abhängt, wie beispielsweise der Komplexität des Problems, der Struktur und Verteilung sowie der Qualität der Daten.
Bernhard Falkner erläutert:
Es ist zielführender, wenige, aber relevante und qualitativ hochwertige Informationen zur Verfügung zu haben, als viele irrelevante Daten. Daher sollten die Auswahl der Quellen und die Datenqualität immer priorisiert werden.
Zu Beginn eines Predictive-Analytics-Projektes widmet sich Industrie Informatik daher gemeinsam mit dem Anwender im Rahmen der Datenanalyse und Exploration intensiv den Fragen „Werden die richtigen Daten in der notwendigen Qualität erfasst und gibt es besonders wichtige Messgrößen in diesem Anwendungsfall zu berücksichtigen?“.
Predictive Analytics und KI spielen am Weg zur smarten Fabrik eine bedeutende Rolle und schaffen ungeahnte Möglichkeiten, Wissen aus den enormen Datenmengen moderner Produktions- und MES-Systeme zu generieren und Ineffizienzen zu minimieren. So ist es nicht verwunderlich, dass von den Teilnehmern der oben erwähnten Bitkom-Studie, 80 Prozent den künftigen Einsatz in der Produktion für wahrscheinlich halten.
Ablaufschema einer Prediction in cronetwork MES
1. Datenselektion & Exploration:
Vorselektion der relevanten Daten mittels cronetwork PIDO
2. Lern-Phase:
Ausgehend von den vorhandenen Daten, wird das Modell trainiert und in der Storage abgelegt. Vom Einsatzfall ist die Häufigkeit des Trainings abhängig, zB wöchentlich oder monatlich.
3. Prediction-Phase:
Das Modell wird aus der Storage geladen, mit Daten aus der aktuellen Situation kombiniert und eine entsprechende Prognose berechnet.
4. Verwendung:
Mittels Webservices kann die Prediction beispielsweise in Portalen am Shopfloor bzw. dem Meisterportal von cronetwork verwendet werden und so als Basis für proaktive Maßnahmen im täglichen Produktionsprozess dienen.
Anita Peherstorfer
