Wie haben Sie diese Steuerung dann entwickelt?
Dold: Wir haben uns zuerst überlegt welche Algorithmen und welche Technologie überhaupt Sinn macht. Wir haben uns in diesem Zusammenhang zunächst die Frage gestellt: Was macht eine Maschine aus, wie sie in jeder Produktion steht und wie differenziert sich dieses System z.B. von einem Amazon, einer Spracherkennung oder irgendwelchen anderen KI-Dingen? Bei Omron insgesamt gibt es mehrere Abteilungen, die sich in der Tiefe mit dem Thema KI befassen, beispielsweise in den Bereichen Automotive oder auch Health Care. Das heißt, wir haben Leute, die beschäftigen sich mit Deep Learning, mit neuronalen Netzen, mit sehr vielen Algorithmen im Bereich komplexe Regression. Auf diese Abteilungen mit mehreren 10-Mann-Jahren Erfahrung haben wir zurück gegriffen und eine Hand voll Algorithmen – mehr sind es tatsächlich nicht – identifiziert, die wirklich für Maschinenbauer geeignet sind. Das ist ganz wichtig auf einer Hardware, die über begrenzte Ressourcen verfügt. Diese Algorithmen haben wir genommen und auf unsere Sysmac-Plattform gepackt, wo das ganze auf einem Intel i5-Prozessor läuft. Mit diesem Ansatz sind wir schon vor ungefähr 1,5 Jahren zu ausgewählten Kunden gegangen, die diese Systeme testen. Damit haben wir ungefähr 1,5 Jahre Vorsprung mit der praktischen Erprobung gegenüber Wettbewerbern. Wir haben dadurch gemeinsam mit dem Kunden und sehr offen gelernt, was KI im Maschinenumfeld kann und wie es implementiert sein muss, damit es für die Anwender einfach zu handhaben ist. Dabei hat sich das System im Laufe der Zeit von einem Expertensystem, das es am Anfang war, zu einem System entwickelt, das einfach parametrierbar und einfach einstellbar ist – Schlagwort: Funktionsblöcke. Dieses System werden wir im Juli launchen.
Muss ich jetzt einen Experten für KI haben, um eine Steuerungsanwendung und eine Maschinensteuerung zu programmieren? Im Zuge einer Smart-Factory-Potenzialanalyse für ihren Kunden KSB identifizierte die Managementberatung NEONEX Opti mierungschancen bei der Beschaffung der Lieferantendokumentation sowie der Erstellung von Unterlagen zur Qualitätsprüfung entlang der Supply-Chain. ‣ weiterlesen
Signifikante Ressourceneinsparung bei Pumpenhersteller KSB
NEONEX, Fabasoft Approve & KSB: „Win-win-win-Situation“ durch starke Partnerschaft
Signifikante Ressourceneinsparung bei Pumpenhersteller KSB
Dold: Es wäre gelogen zu behaupten, dass ein SPS-Programmierer automatisch auch mit einem KI-System umgehen kann. Aber es ist auch nicht so, dass Sie dafür einen Diplom-Mathematiker oder jemanden mit zwei Doktortiteln brauchen, der sich dann in die tiefe Mathematik eingräbt und weiß wie alles genau funktioniert. Wir haben in der Prototypen-Phase gelernt, dass wir die Funktionen auf spezifische Problemstellungen eingrenzen müssen. Dafür werden wir entsprechend spezifische Funktionsblöcke für die Controller anbieten. Diese werden so gestaltet sein, dass sich normale Programmierer mit dem entsprechenden Wissen schnell einarbeiten können. Aber wir müssen ehrlich sein, und ich denke mal da müssen alle ehrlich sein: Wenn Sie adaptive Systeme verwenden, dann verhalten diese sich anders und sind ein Stück komplexer als ein ganz normales UND/ODER-Gatter oder irgendwelcher strukturierter Texte.
Wie unterstützen Sie die Maschinenbauer dabei in diese Welt vorzudringen?
Dold: Wir bieten natürlich Schulungen an. Derzeit arbeiten wir dadaran, unsere eigenen Mitarbeiter zu schulen. Im zweiten Schritt bieten wir – ähnlich wie für die klassische Steuerung und für den Motion Controller – Schulungen an, sowohl bei uns im Hause als auch vor Ort beim Kunden.
Sind Ihre KI-Implementierungen normale neuronale Netzwerke oder speziell für den Maschinenbau abgespeckte Versionen?
Dold: Es sind keine abgespeckten Versionen, es sind aber auch keine neuronalen Netze. Wir haben einen Algorithmus implementiert der an der TU München entwickelt wurde und der bei relativ geringen überbestimmten oder sogar unterbestimmten Datenmengen für entsprechende Datenpunkte eine einfache Zuordnung zu Zuständen ermöglicht. Das funktioniert über Gewichtung und Vektoren. Und dieser Algorithmus lernt. Sie müssen sich das so vorstellen: Die Steuerung wird in der Maschine installiert. Dann wird im Betrieb der Normalzustand, also die Produktion von Gutteilen, eingelernt. Anschließend werden die abnormalen Zustände gelernt. Also differenzieren wir zunächst nur zwischen normal und abnormal. Und dann lernt der Algorithmus auch die Grenzen anhand einer Klassifzierung: Dieser Datensatz ist abnormal, weil etwas passiert ist. Die Maschine hat gestanden, das Produkt das produziert wurde, war nicht gut. Das wird dann als abnormal klassifiziert. Die Maschine überwacht innerhalb der Größen und lernt dadurch ’normal‘ und ‚abnormal‘ zu unterscheiden. Sobald der Vektor, der dabei generiert wird, einen Wert erhält, der größer eins oder zwei ist, gibt er das Signal ‚abnormal‘. An dieser Stelle hängt es dann davon ab, wie das System konfiguriert ist. Entweder gibt es eine Warnung, beispielsweise ‚Überprüfe das Produkt‘ oder es wird vielleicht automatisch ausgeschleust. Oder aber die Maschine stoppt bewusst, weil sie näher untersucht werden muss. Auch Informationen zur vorausschauenden Wartung sind hier möglich, gerade wenn es um das Thema Verschleiß geht.
