Bild vergrößern: Demonstrationsanlage für datengetriebene Modelle in der chemischen Industrie

Welche Herausforderungen gab es zu lösen?

Die Modelle des Maschinellen Lernens werden mit dem Datenstrom aus dem laufenden Betrieb abgeglichen und erlauben letztlich Vorhersagen oder Empfehlungen und Entscheidungen. Beispiele, um mit Hilfe Maschinellen Lernens Qualität, Zeit oder Kosten zu verbessern, sind:

• Anomalien im Verhalten von Maschinen oder Komponenten entdecken, weil die Verfahren zuverlässig Abweichungen vom ‚Normalverhalten‘ eines Prozesses aufdecken und damit letztlich prädiktive Instandhaltung ermöglichen.
• Bessere Entscheidungen in komplexen Situationen treffen, weil die Modelle die kompletten Zusammenhänge auch über mehrere Fertigungsstufen hinweg erkennen und damit zu Assistenzsystemen ausgebaut werden können.
• Fertigungs- und Montageprozesse schnell an aktuelle Situationen anpassen, weil klare Korrelationen zwischen Messergebnissen und Prozessparametern eine automatische Regelung ermöglichen.

Welcher konkrete Nutzen ergab sich?

Die KI-Lösung »PUMon – Process Unit Monitoring« kommt bei der Bayer AG zum Einsatz: Sie erkennt Komponenten, die kurz vor dem Ausfall stehen und sorgt für rechtzeitigen Ersatz. So vermeidet Bayer Unterbrechungen von chemischen Prozessen und spart nachweisbar Geld.

Wie lässt sich der Industrie 4.0-Anssatz beschreiben?

In Produktionsprozessen setzen wir Maschinelles Lernen ein, um ganz allgemein »Wissen« aus »Erfahrung« zu erzeugen - Lernalgorithmen entwickeln aus möglichst repräsentativen Beispieldaten ein komplexes Modell. Dieses Modell kann anschließend auf neue und unbekannte Daten derselben Art angewendet werden. Immer wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten verfügbar sind, z.B. Sensordaten oder Bilder, bietet sich Maschinelles Lernen an. Die Modelle werden mit dem Datenstrom aus dem laufenden Betrieb abgeglichen und erlauben letztlich Vorhersagen oder Empfehlungen und Entscheidungen.

Was können andere davon lernen?

Für ein KI-/ML-Projekt sind nach unserer Erfahrungen aus den Projekten die folgenden Schritte durchzuführen:

• Anwendungsfall klar umreißen und Ziel konkret beschreiben, das erreicht werden soll
• repräsentative Trainingsdaten definieren, aufbereiten und speichern
• geeignete Lern- und Modellierungsalgorithmen auswählen
• aus den Trainingsdaten sinnvolle Modelle erzeugen
• Modell mit Laufzeitdaten vergleichen.

Diese Aufgaben erfordern geeignete Sensorik, Softwarewerkzeuge und
–architekturen. Wir unterstützen auch dabei, kommerzielle ML-Werkzeuge zu bewerten und auszuwählen.