Bd. 63 Nr. 08 (2021): atp magazin08/2021
richtig ins Rollen gekommen ist KI aber erst in den letzten 10-15 Jahren durch immer bessere Rechenleistung immer kleinerer Chips, das Herausbilden des Internets der Dinge und generell durch die digitale Vernetzung aller mit allen und allem.
Ihr Siegeszug begann zuerst in der Konsumerwelt, wo sie beispielsweise der Spracherkennung zum Durchbruch verhalf. Nun nimmt sie auch in der industriellen Produktion so richtig Fahrt auf und durchdringt jetzt flächendeckend den Shopfloor in der Prozessindustrie bis in den letzten Winkel. Das große Ziel der Prozessautomatisierer lautet hierbei: „Wir wollen mithilfe von KI in der Produktion das höchste Level, das Autonomielevel 5 erreichen“ – eine vollständig autonome Produktion ohne die Notwendigkeit menschlicher Kontrolle.Bis dahin ist es noch ein Stück des Wegs, aber die Entwicklung ist in vollem Gange.
Dank KI ist es der Automatisierungstechnik nun möglich, das technische Systeme imstande sind, ihre Umwelt wahrzunehmen und das Wahrgenommene entsprechend zu verarbeiten, selbständig Probleme lösen und Lösungen zu erarbeiten, demnach auch Entscheidungen zu treffen und aus Erfahrungen zu lernen sowie durch dieses maschinelle Lernen Aktionen besser auszuführen. Das spart Zeit und Geld, verbessert die Qualität und macht industrielle Abläufe widerstandsfähiger und individueller.
Größtes Hindernis auf dem Weg zu Autonomielevel 5 ist derzeit weniger die Kommunikationsintelligenz des „Fischschwarms“. Es fehle den Fischen leider noch an der nötigen Intelligenz, wie Univ.-Prof. Dr. Oliver Niggemann im atp-Interview betont: „Wir haben die KI-Methoden nicht einfach in der Schublade liegen und müssen nur noch herausfinden, wie wir sie in die Steuerung integrieren können. Uns fehlen noch genau diese KI-Methoden und die Algorithmus-Entwicklung.“.
Die Interview-Highlights:
„Wir brauchen keine Data-Scientists“ (Univ.-Prof. Dr. Oliver Niggemann)
Obwohl es Künstliche Intelligenz bereits seit rund 60 Jahren gibt, erobert sie erst seit einigen Jahren nunmehr auch flächendeckend die industrielle Produktion. Im atp-Interview erklärt Univ.-Prof. Dr. Oliver Niggemann, welche Köpfe mit welchem Know-how es braucht, um Künstliche Intelligenz gewinnbringend in der Produktion einzusetzen.
„AutomationML ist längst keine akademische Spielwiese mehr““ (Prof. Dr.-Ing. Rainer Drath)
Weil die digitale Durchdringung der Prozesse in der Industrie immer schneller voranschreitet, kommt es immer öfter zu Schnittstellenproblemen und „Sprachbarrieren“ bedingt durch die Vielzahl der eingesetzten Software-Applikationen. Die Lösung für diese Probleme heißt AutomationML. Das Meta- Format feiert in diesem Jahr seinen 15. Geburtstag. Im atp-Interview zieht Prof. Dr.-Ing. Rainer Drath nun eine erste Zwischenbilanz und erklärt, welche Möglichkeiten AML inzwischen bietet.
Die peer-reviewten Hauptbeiträge:
Practical challenges of virtualassistants in industrial setups
Virtual assistant systems promise ubiquitous and straightforward access to information and applications. Their foundation on intent-oriented queries and support of natural language makes them an ideal tool for human-centric applications. We investigate the challenges of building a virtual assistant. A qualitative study reveals two significant constraints: low user acceptance and a disproportional amount of effort on details. Overall, implementing a virtual assistant for an industrial application is technically feasible but requires significant effort and an understanding of the target audience.
Modellierung elektrischer Schnittstellenund Kabel mit AutomationML
Elektrische Verbindungen sind wesentliche Bestandteile jedes Automatisierungssystems. Dieser Beitrag stellt eine Modellierungsmethodik und erste Bibliotheken elektrischer Schnittstellen für Automatisierungsgeräte vor, die mit dieser Methodik entlang vorhandener Standards für elektrischer Schnittstellen entwickelt wurden. Diese Bibliotheken können als digitale Repräsentationen der zugehörigen Standards verstanden werden, d.h. sie bilden die zugrundeliegenden Normen als elektronisches Datenmodell ab, eine Lösung für die künftige Einbindung von Normen und Standards in Industrie 4.0 Verwaltungsschalen. Die dabei entwickelte Methodik ist generisch, herstellerneutral und kann für weitere elektrische Schnittstellen fortgesetzt werden. Interessenten sind eingeladen, die Ergebnisse anzuwenden, zu kommentieren und zu ergänzen.
Autonome Vertrauensbewertung
Damit in Zukunft autonom agierende Softwareagenten Verträge verhandeln können, muss auch die Vertrauenswürdigkeit potenzieller Verhandlungspartner automatisiert bewertet werden. Um diesen auf vielfältigen Informationen und individuellen Präferenzen basierenden Prozess zu ermöglichen, liefert dieser Beitrag einen Einblick in bestehende Vertrauens- und Reputationsmodelle und Methoden der multikriteriellen Entscheidungsfindung. Darauf aufbauend wird eine Kombination aus beidem vorgeschlagen, welche ein (teil-) automatisiertes Verfahren zur Vertrauensbewertung potenzieller Lieferanten ermöglichen soll.
Intelligente Prozessregelung von Schleifprozessen
Eine Hauptfehlerquelle bei Schleifprozessen ist die thermische Randzonenschädigung (sog. Schleifbrand) an der Kontaktstelle zwischen Werkstück und Schleifkörper, welche durch ungewollte Eigenspannungen und Veränderungen der Materialhärte in der Werkstückoberfläche gekennzeichnet ist. Da der Randzonenzustand bisher nicht im Prozess erfasst werden kann, wird in der Praxis auf hohe Sicherheitsfaktoren bei der Zerspanrate und den Abrichtintervallen des Schleifkörpers zurückgegriffen. Die vorliegende Arbeit stellt einen Lösungsansatz für einen geregelten Schleifprozess mit der thermischen Randzonenbeeinflussung als Hauptregelgröße vor. Die in-prozess-Erfassung der Randzonenschädigung des Werkstückes erfolgt mittels des mikromagnetischen Messverfahrens Barkhausenrauschen. Das Ergebnis ist ein neuartiges Prozessregelungskonzept für das Schleifen.
Electrical impedance spectroscopy
The electrical impedance measurement of a suspension is a valid method to monitor crystallization processes. Since it allows measurement of conductivity and permittivity it enables the characterization of non-conductive suspensions. The results obtained show that the concentration of an organic compound of interest can be determined by evaluating its electrical and thermal properties. As the analytical analysis of independent process parameters is a challenging task, a machine learning approach is investigated to extract essential parameter dependency for automated process control purposes.