KI kann »at the edge« Einiges bewirken: Künstliche Intelligenz als Problemlöser auf der Feldebene

Künstliche Intelligenz (KI) wird Ingenieure nicht ersetzen, sondern ist auf die Kooperation mit ihnen angewiesen, um sinnvoll funktionieren zu können. In Maschinen und Anlagen kann sie Daten in Echtzeit interpretieren und so den Schlüssel für Condition Monitoring und Predictive Maintenance bilden.

Tanja Krüger, Resolto Informatik: „Wir arbeiten bereits an noch leistungsstärkeren Algorithmen, die sich auf der Feldebene selbst trainieren können.“ Bildquelle: © Resolto Informatik

Tanja Krüger, Resolto Informatik: »Wir arbeiten bereits an noch leistungsstärkeren Algorithmen, die sich auf der Feldebene selbst trainieren können.«

Tanja Krüger, Geschäftsführerin von Resolto Informatik, erläutert die Hintergründe.


Markt&Technik: Ihr Unternehmen verfolgt das Ziel, KI in die Feldebene von Automatisierungssystemen zu bringen. Ist KI nicht eher ein Thema für die Cloud?

Tanja Krüger: Auch wenn KI für industrielle Anwendungen derzeit viele Unternehmen beschäftigt und mit ihr große Hoffnungen auf mehr Transparenz, Effizienz und Ausfallsicherheit verbunden sind, hat die Technologie in der Produktion bislang nur bedingt überzeugt: Zu groß sind die Datenmengen, die über ohnehin überlastete Leitungen den Weg in die Cloud finden müssen, und zu lang sind die Latenzen, um Informationen von den Algorithmen wirklich schnell bekommen zu können. Die Lösung, eine KI direkt an die Maschine zu bringen und dort – an der Quelle aller Daten – die Interpretation in Echtzeit durchführen zu lassen, ist deshalb entscheidend.

Mit der Technik von Resolto funktioniert dieser Ansatz auch ohne Lock-In bei großen Cloud-Anbietern und steht allen Herstellern und Betreibern von Produktionsanlagen zur Verfügung. Unsere Edge-KI-Software kann sich mit jeder Cloud als „Infrastructure as a Service“ (IaaS) verbinden und darum auf Wunsch sogar vollständig On-Premises laufen.


Wie funktioniert nun KI auf der Feldebene?

Bislang haben wir immer mit deterministischen Verfahren gearbeitet. Das klassische Condition Monitoring, das wir schon lange kennen, setzt auf Regeln auf. Und diese Regeln bedeuten: Ich muss das, was ich erfassen will, vorher kennen und es dann auch entsprechend formulieren, beispielsweise als Programmierung. Ich programmiere also den Fehler als eine Beschreibung hinein, etwa als einen Schwellenwert. Die künstliche Intelligenz macht das genau umgekehrt: Sie lernt selbstständig, und darum kann sie umgekehrt den gesunden, normalen Zustand lernen, der natürlich hochkomplex sein kann.

Der große Unterschied zwischen der KI und den regelbasierten Condition-Monitoring-Systemen ist also die Fähigkeit der KI, selbstständig zu lernen. Die KI-Software braucht keinen Programmierer, der Schwellenwerte und aufwändige Regeln definiert. Sie lernt beispielsweise den Normalfall in der Produktion mit funktionierenden Datenströmen und erkennt dann auch so genannte korrelative Werte, also Anomalien, die gar keine Schwellenwerte verletzen. Dadurch lassen sich ganz neue Komplexitäten abbilden. Regelbasierte Fehlererkennung kann immer nur Fehler finden, die schon bekannt sind, aber keine unbekannte Anomalie entdecken. Zudem kann das Programmieren solcher Regeln auch zu aufwändig werden, etwa bei heterogenen Fertigungsanlagen. Dann bekommt der Anwender irgendwann zu viele „False Positives“ oder auch „False Negatives“. Die selbstlernende KI vermeidet das Problem.