Digitale Daten – Woher kommen sie und was hat ein Digitaler Zwilling damit zu tun?

  • Experten-Stimme

In Deutschland sind 99,6 % der Unternehmen klein und mittelständisch, sogenannte KMUs. 1307 der 2700 weltweiten „Hidden-Champions“ stammen aus Deutschland1. Auf einmal ist die Rede von Digitalen Daten, dem Internet der Dinge (IoT) und Künstlicher Intelligenz (KI). Deren Bedeutung für KMUs ist oft nicht einfach zu bewerten. Weshalb Risiken eingehen, neue Geschäftsmodelle erschließen und Ressourcen in die Entwicklung neuer Lösungsstrategien investieren? Hat es nicht schon immer ohne funktioniert? Haben Sie sich schon einmal gefragt, welche Rolle digitale Daten für Ihr Unternehmen spielen können, wie das IoT konkret in der Produktion zum Einsatz kommt und was für einen Mehrwert KI dabei schaffen kann?

Was sind die Vorteile?

Diese Fragen stellen sich zurzeit viele KMUs und eine Antwort erhalten sie nicht von digitalen Sprachassistenzsystemen, wie beispielsweise Google Assistant mit Google Home oder Amazon Echo mit Alexa. Die Sprachassistenten der Internetriesen kennen Ihre Firma vielleicht über Ihren Internetauftritt und Ihre Anschrift, die Firma in ihren Strukturen kennen jedoch nur Sie. Stellen Sie sich vor, Sie könnten Ihre Prozesse digital abbilden, um diese zu überblicken, zu optimieren oder um Fallbeispiele ohne vermehrten Aufwand oder Risiko durchzuspielen. Dabei wird auf Datensicherheit und Privatsphäre geachtet. Denn auch nach der Einführung von digitalen Prozessen sollen digitale Sprachassistenten nur Ihre Anschrift und Ihren Internetauftritt kennen.

Das Erzeugen der digitalen Daten erfolgt über IoT-Geräte, die mittels Sensorik physikalisch messbare Größen aufnehmen und damit Ihren Prozess digital abbilden. Wir schaffen damit einen sogenannten Digitalen Zwilling. Der Digitale Zwilling bildet damit Ihre Sichtweise auf das Unternehmen ab, um dieses ohne viel Aufwand zu überblicken und zu simulieren. Neue Regelmechanismen können z.B. in der Produktion eingeführt werden, die zu einer Optimierung des Produktionsflusses führen.

Abbildung 1: Optimierung der Produktion mit Regelmechanismus

Welche IoT-Geräte gibt es, was können sie messen und wie sind sie integrierbar?

Abbildung 2: IOT Geräte Architektur

Dies sind häufige Fragen, die von Unternehmen an das Mittelstand 4.0-Kompetenzzentrum Kiel herangetragen werden. Man erwartet als Antwort einen übersichtlichen Leitfaden. Bei näherer Betrachtung jedoch zeigt sich, dass IoT-Geräte in einer Fülle, Vielfalt und Schnelligkeit auf den Markt kommen, dass eine aktuelle Übersicht kaum möglich ist. Hier kommt es auf das konkrete Problem, den konkreten Prozess an.

Die Anwendungsszenarien für Sensoren sind vielfältig. Bei vergangenen Projekten, die das Mittelstand 4.0-Kompetenzzentrum Kiel bei Unternehmen durchgeführt hat, wurden IoT-Geräte zur Aufnahme von Temperatur, Luftfeuchtigkeit, Geräuschen, CO2-Gehalt oder Beschleunigung verwendet. Dabei wur-den die Sensoren innerhalb oder außerhalb von Gebäuden lokalisiert. IoT-Geräte, die Beschleunigung aufnehmen können, protokollieren beispielsweise den unsachgemäßen Transport von Objekten oder Paketen. Mit diesen Sensoren lassen sich auch in Ihrem Unternehmen vielfältige Einsatzszenarien abbilden. Das Mittelstand 4.0-Kompetenzzentrum Kiel bietet Ihnen hierbei Unterstützung an.

Wie sieht eine IoT-Infrastruktur aus?

Tatsächlich ist es oft nicht nötig, Ihre IoT-Geräte an das Internet anzuschließen. Zur Integration oder Vernetzung bietet sich eine schematische, einfache Architekturdarstellung wie in Abbildung 2 an. Die IoT-Geräte stehen bei Ihnen vor Ort, nämlich dort wo die Informationen und Daten gesammelten werden. Dabei verwenden IoT-Geräte häufig Technologien, die keine direkte Verbindung zum Internet herstellen, da der Aufbau von Internetverbindungen nur mit hohem Energieeinsatz möglich ist und IoT-Geräte häufig auf batteriesparenden Betrieb hin optimiert werden. In diesem Fall werden sogenannte IoT-Gateways genutzt, um die Internetverbindung für eine Vielzahl von IoT-Geräten herstellen zu können. Die Gateways können dann über IoT-Netzwerkserver zur Authentifi-zierung zusammengeführt werden, welche die Daten an einen Cloud-Dienst ihres Vertrauens senden können.

Die Cloud-Dienste stellen dabei Web-Applikationen wie zum Beispiel Daten-Visualisierungen bereit. Weiter verfügen sie über geeignete Schnittstellen, um die Daten abzurufen und in andere Systeme zu integ-rieren. Beispielsweise können Sie die Daten in Enterprise-Resource-Planning-Systeme einbinden oder sie offline mit Excel verarbeiten. Im Mittelstand 4.0-Kom-petenzzentrum Kiel setzen wir für Demonstrationen eigene Cloud-Dienste und IoT-Netzwerkserver ein. Somit landen die Daten auch nicht bei ausländischen Internet-Konzernen.

Fallbeispiel Transportwagen in der Produktion

Lassen Sie uns dies nun in einem Fallbeispiel näher betrachten: Sie besitzen eine Firma, die Produkte mit Losgröße 1 kundenspezifisch anfertigt. Die Fertigung erfolgt an einzelnen Fertigungsinseln und Sie haben bereits eine erste Einschätzung davon, wie lange Ihr Produktionsprozess dauert. Wieviel Zeit mussten Sie für diese Einschätzung aufwenden? Wahrscheinlich zu viel, um diese Einschätzung kontinuierlich durchzuführen. Wieviel mehr Aufwand würde es bedeuten, auf dieser Informationsgrundlage Ihren Produktionsprozess zu optimieren?

Nehmen wir an, Ihre Fertigungsinseln werden über handgeschobene Transportwagen miteinander verbunden. Sie wissen aus Ihrer Erfahrung, dass Optimierungspotential vorhanden ist, da Mitarbeiter häufig über lange Standzeiten der Transportwagen klagen. Dann eignet sich der Transportwagen hervorragend, um physikalisch messbare Größen aufzunehmen, aus denen der Herstellungsprozess digital abgebildet werden kann. Der Transportwagen soll die Standzeit indirekt über eine Lokalisierungssensorik erfassen. Das bekannte Global Positioning System (GPS) wäre hier allerdings innerhalb von Gebäuden zu ungenau. Daher nutzt die Lokalisierungssensorik stationäre IoT-Geräte. Diese IoT-Geräte übernehmen für die Transportwagen die Rolle der GPS-Satelliten. Der Ort jedes Transportwagens wird nun in der Produktion sichtbar. Standzeiten können damit automatisiert ermittelt und berichtet werden. Um die Ursache langer Standzeiten zu protokollieren, besitzt der Transportwagen vier Rückmeldebuttons, die typische Fehler abbilden. Im Fallbeispiel sind dies:

  • Reparatur – die Teile befinden sich in der manuel-len Reparatur, die Standzeit variiert und birgt hohes Optimierungspotential
  • Material – die weitere Bearbeitung benötigt Teile, die nicht vorhanden sind
  • Maschine – die Teile können nicht weiterberarbeitet werden, da die Maschine belegt ist
  • Mensch – die Teile können nicht weiterbearbeitet werden, da der Mitarbeiter, der den Produktionsschritt ausführt, nicht verfügbar ist

Der Transportwagen erfüllt damit die Aufgabe, Ihre Produktion transparenter zu gestalten und die Informationen in Echtzeit zu senden. Dazu übertragen die IoT-Geräte die Information an ein IoT-Gateway. Das IoT-Gateway sendet die Datenmittels LTE an einen Clouddienst, worüber die Daten im Anschluss visualisiert werden.

Mit der digitalen Nachbildung der Produktion wurde ein Digitaler Zwilling geschaffen. Dieses Anwendungsbeispiel zu Lokalisation und Datenerfassung wurde bereits in einer Elektronik-Produktion umgesetzt und erprobt.

Künstliche Intelligenz und Digitaler Zwilling

„Lieber Sprachassistent, wann kommt es zu einer Verzögerung in meiner Produktionskette und wie kann ich diese verhindern?“ Nein, eine Schnittstelle für natürliche Sprache wird Ihre KI wahrscheinlich nicht besitzen und auch im menschlichen Sinne intelligent wird sie nicht sein. Bleiben wir stattdessen bei dem oberen Anwendungsbeispiel der Elektronik-Produktion. Aus den gesammelten Daten könnte im ersten Schritt ein Controller manuell entscheiden, welche Ursachen es für einen Stillstand gibt und wie diese zukünftig zu vermeiden sind.

Eine effizientere Methode ist es, den Controller bei dieser Aufgabe zu unterstützen und mittels KI, genauer gesagt des maschinellen Lernens, die Prozessabläufe automatisiert zu modellieren. Im Falle des oben genannten Beispiels können so Eng- und Schwachstellen in der Produktion identifiziert und Änderungen vor der realen Umsetzung virtuell simuliert werden. Werden die Modelle dahingehend trainiert auf Veränderungen zum Normalzustand zu reagieren, sprechen wir von Annomaly Detection. Erfolgt der Einsatz mit dem Ziel, Wartungstermine für Maschinen im Voraus zu bestimmen, sprechen wir von Prädiktiver Instandhaltung (Predictive Maintenance). Damit können drohende Maschinenausfälle vor dem tatsächlichen Defekt vorhergesagt und vermieden werden. In diesem Szenario hat der KI-Algorithmus keine autonome Entscheidungsgewalt, sondern unterstützt den Controller mit relevanten Informationen und bereitet die durch die IoT-Geräte aufgenommenen Daten in gewünschter Weise auf.

Ein KI-Algorithmus muss auf seine konkrete Aufgabe hin trainiert werden. In den letzten Jahrzehnten haben sich Techniken etabliert, um Eingabe-Ausgabe-Relationen datengestützt zu erlernen. Wir können dies nutzen, um z. B. drohende Verzögerungen im Betriebsablauf oder Maschinendefekte vorherzusagen, bevor sie auftreten. Somit lässt sich die Anzahl von Wartungen so weit verringern, dass keine zu hohen Kosten durch präventive Wartung entstehen. Vollziehen Sie die Wartung genau dann, wenn Sie die Wartung auch benötigen, abgestimmt auf die Beanspruchung und Abnutzung Ihrer Maschine. Sie reduzieren somit Wartungskosten und vermindern Maschinenausfallzeiten. Eine fixer Wartungsplan ist nicht mehr erforderlich. Letzterer mag auf jahrelanger Erfahrung und Herstellerdaten basieren, ist aber nicht unbedingt auf die tatsächliche Beanspruchung und Abnutzung Ihrer Maschine abgestimmt. Auch das Ersatzteillager muss nur noch die nötigen Teile vorlagern.

Wie funktioniert der Einsatz Künstlicher Intelligenz?

Doch wie funktioniert nun so ein KI-Vorhersagesystem und worauf ist zu achten? Hier kommt das Internet der Dinge ins Spiel. Die Daten der IoT-Sensoren werden zusammengeführt und vorverarbeitet. Die Sensordaten können mit zusätzlichen Informationen kombiniert werden, um eine umfassendere Repräsentation Ihres Digitalen Zwillings zu erreichen. So könnte man die aktuellen Lagerbestände berücksich-tigen oder die derzeitige Personalbesetzung in die Daten miteinfließen lassen. Für die Erfassung von Maschinen eignet sich auch die Erfassung von Vibra-tion, Wärmebildern oder dem Ölzustand.

Das Kernstück der KI ist ein Algorithmus, der die vorverarbeiteten Daten analysiert und einem Fehlerzustand zuordnet. Damit handelt es sich um ein Klassifikationsproblem, denn einem Datenpunkt wird eine Klasse, der Fehlerzustand, zugeordnet. Für die Lösung solcher Klassifikationsprobleme wurden im Laufe der letzten Jahrzehnte Techniken entwickelt. Dazu zählen z.B. der Bayes Klassifikator, Random Forests, Support Vector Machines oder Neuronale Netze. Welcher Ansatz der Beste für Ihre konkreten Daten sind, muss im Einzelfall geklärt werden.

Traditionelle Algorithmen wie der Bayes Klassifikator, Random Forests oder Support Vector Machines vereinen einen wichtigen Vorteil. Ihre Entscheidungen sind nämlich für den Datenanalysten nachvollziehbar. Das heißt, dass mit relativ einfachen Mitteln geprüft werden kann, weshalb die Eingabedaten einem Fehlerzustand zugeordnet wurden. Damit lassen sich Fehlerquellen leichter identifizieren und in der Zukunft wegoptimieren. Bayes Klassifikatoren haben die willkommene Eigenschaft, dass sie auch Unsicherheiten modellieren können.

Neuronale Netze hingegen genießen zurzeit die Aufmerksamkeit aktueller Forschung und der Presse. In vielen Bereichen der Verarbeitung von natürlichen Signalen wie Video- oder Audiodaten sind sie den oben genannten traditionellen Techniken des maschinellen Lernens überlegen, sofern eine gute Datenlage besteht. Neuronale Netze zeichnen sich dadurch aus, dass sie eine geeignete Repräsentation mitlernen, wenn sie mit den Ihnen zur Verfügung gestellten Daten trainiert werden. Somit sind neuronale Netze oft nicht nur besser in ihren Entscheidungen, sondern benötigen auch weniger manuelle Arbeit, wenn es um die Vorverarbeitung der Daten geht. Es lernt Teile der Vorverarbeitung der Daten einfach selbst, wie etwa die sogenannte Merkmalsextraktion.

Leider mangelt es neuronalen Netzen immer noch an Transparenz. Es ist aufwendig und manchmal sogar praktisch unmöglich, den Grund für eine konkrete Entscheidung eines neuronalen Netzwerkes zu ermitteln. Damit ist die Fehleranalyse in der Prozesskette mühseliger. Prognostiziert ein neuronales Netz eine Verzögerung im Betriebsablauf wird es den entsprechenden Fehlerzustand anzeigen. Es ist aber nicht einfach einsehbar, aus welchen Mustern in den Daten es zu der Entscheidung gekommen ist. Bei den anderen genannten Techniken hingegen wäre einsehbar, dass es z. B. an dem knappen Lagerbestand eines bestimmten Bauteils liegt, dass eine Produktionsverzögerung droht. Die Datengrundlage ist der entscheidende Faktor bei der Einführung von KI. In der Praxis ist die Aufnahme einer genügend großen Datenmenge oft die größte Herausforderung und macht anteilig hohe Kosten aus. Eine KI, die mit mangelhaften Daten trainiert wurde, kann nicht gut funktionieren. Sind Datenqualität und -quantität aber gut, gestaltet sich das Training einfacher und die KI wird auch zuverlässiger funktionieren. IoT eignet sich sehr gut zur automatisierten Aufnahme von Daten und bietet daher sehr gute Voraussetzungen für KI-Anwendungen.

Abbildung 5: Dashboard-Übersicht der IOT-Box mit aktuellem Zustand und hisorischen Daten

Wann lohnt sich der Einsatz von KI?

Der Nutzen muss den Aufwand für den Einsatz von KI rechtfertigen. Das abzubildende System sollte daher ein kritischer Teil des Produktionsprozesses sein. Außerdem sollten die möglichen Fehlerzustände bereits vorher benennbar sein. Im oberen Beispiel sind die Fehlerzustände durch Reparatur, Material, Maschine und Mensch gegeben.

In vielen Fällen bringt Digitalisierung Vorteile für Ihre Firma. Dabei sind die Investitionskosten meist geringer, als man es sich vorstellt. Es reichen schon geringe Investitionen, um an den richtigen Stellen Sensorik anzubringen und anschließend zu analysieren. Sei es mittels statistischer Auswertung oder maschineller Lernverfahren - die Anwendungsmöglichkeiten in der Prozessoptimierung, Predictive Maintenance und Entscheidungsunterstützung bringen Qualitätssicherung, Kostenersparnis, Zeitersparnis und viele weitere Vorteile mit sich.

Dieser Beitrag ist in der Broschüre „Digitale Daten“ erschienen und kann hier heruntergeladen werden.

Ansprechpartner

Swen Leugner
Vernetzung und Ortung

Swen Leugner
Telefon: 0451 300 5692

Christoph Linse
KI

Christoph Linse

Prof. Dr. Horst Hellbrück
Drahtlose Ortung & Vernetzung

Prof. Dr. Horst Hellbrück

Prof. Dr. Martin Leucker
Teilprojektleiter Medizintechnik

Prof. Dr. Martin Leucker