KI: Dahinter

In Bildverarbeitungssystemen integrierte künstliche Intelligenz kann Entscheidungen in der Robotik bei Pick-and-Place- und Abfüllanwendungen leiten und gleichzeitig Qualitätsprüfungen an Produkten durchführen.Bild mit freundlicher Genehmigung von Festo North America

In einem Leitartikel auf der Website der ARC Advisory Group fragt Forschungsdirektorin Marianne D'Aquila: „Warum scheitern Implementierungen künstlicher Intelligenz?“ Sie antwortet mit den Worten: „Die Implementierung von KI in der Fertigung kann eine Herausforderung, wenn nicht sogar entmutigend sein, da sie ein Verständnis der Geschäftsziele und die Integration von KI in bestehende Prozesse und Systeme erfordert.“

D'Aquila fügt hinzu: „Es ist normalerweise überwältigend, einen effektiven Ausgangspunkt für ein digitales Transformationsprojekt zu finden, einschließlich der Implementierung von KI.“ Sie sagt, dass Unternehmen ohne klare Vorstellungen, wie starke analytische digitale Kompetenzen entwickelt werden können, oft mit dem Scheitern von KI-Piloten und -Projekten konfrontiert werden, was intern zu dem Eindruck führt, dass diese Projekte eine verschwendete Investition seien.1

Könnten einige dieser Fehler darauf zurückzuführen sein, dass man mehr abgebissen hat, als man kauen kann? Beispielsweise muss es sich bei der KI nicht um eine auf einmal zum Scheitern verurteilte Implementierung handeln, die sich über alle Betriebsabläufe in der Anlage erstreckt, vom Eingang der Zutaten über die Verarbeitung und Verpackung bis hin zur Auslieferung – was möglicherweise nicht zu den erwarteten Ergebnissen führt. Vielleicht ist es eine lohnende Alternative, nach Anwendungen zu suchen, die über integrierte KI verfügen, beispielsweise zur Überwachung des Energieverbrauchs, zur visuellen Überprüfung der Produktqualität oder zur Vorhersage von Maschinenausfällen. Software- und Automatisierungsanbieter integrieren bereits KI in diese Anwendungen, und es hat sich gezeigt, dass sie funktionieren.

Dieses Konzept ähnelt einigen der neuen KI-basierten Grafiksoftware, die als eigenständige Anwendung oder als Plug-in für Adobe Photoshop oder Affinity Photo funktioniert. Mit den KI-basierten Plug-Ins, die ich derzeit verwende, kann ich meine Arbeit schneller, genauer und effizienter erledigen – und ich muss mich nicht um die KI-Programmierung oder gar die Änderung der Host-Anwendung kümmern. Der Plug-in-Anwendungsentwickler hat die schwere Arbeit bereits erledigt. Ich habe festgestellt, dass die KI-basierte Software einfach besser funktioniert als ihre früheren, nicht KI-basierten Software-Pendants.

Deshalb dachte ich, ich würde das KI-basierte ChatGPT fragen: „Wird künstliche Intelligenz Teil von Softwareanwendungen werden, so dass Benutzer nicht bemerken, dass die Anwendung KI verwendet?“ Schließlich erscheint es nur natürlich, ein KI-System zu fragen, was es zu diesem Thema „denkt“.

ChatGPT antwortete: „Ja, es ist sehr wahrscheinlich, dass künstliche Intelligenz ein integraler Bestandteil von Softwareanwendungen wird, so dass Benutzer sich ihrer Verwendung möglicherweise nicht bewusst sind. Dies liegt daran, dass KI das Potenzial hat, verschiedene Aufgaben in Softwareanwendungen zu verbessern und zu automatisieren.“ , was sie effizienter und effektiver macht.

„Zum Beispiel kann KI in Anwendungen eingesetzt werden, um Benutzeroberflächen und -erlebnisse zu verbessern, personalisierte Empfehlungen bereitzustellen und Routineaufgaben zu automatisieren. Da diese Funktionen immer stärker in Softwareanwendungen integriert werden, bemerken Benutzer möglicherweise nicht einmal, dass KI verwendet wird.“

„Tatsächlich geschieht dies bereits in vielen Anwendungen, die KI im Hintergrund nutzen, wie etwa virtuelle Assistenten, Chatbots und Empfehlungsmaschinen. Diese Anwendungen nutzen KI, um ihre Funktionalität zu verbessern, ohne für den Benutzer offensichtlich zu machen, dass sie mit einem interagieren.“ KI-System.“

Warum also nicht Anwendungen nutzen, deren Entwickler KI integriert haben, um Teile Ihrer Anlage effizienter und reibungsloser laufen zu lassen?

Auf Nachfrage nannte D'Aquila von der ARC Advisory Group vier allgemeine Kategorien für KI-Anwendungen, wobei die vierte eine ist, die Sie vielleicht noch nicht in Betracht gezogen haben, die aber ebenso wichtig ist.

„Lebensmittel- und Getränkeverarbeiter suchen zunehmend nach KI-basierten Lösungen, um ihre Vertriebs- und Betriebsplanung zu verbessern“, sagt John Dwinell, Präsident von Peak Technologies/Peak Analytics. Das Bewusstsein für die potenziellen Vorteile von KI in der Lebensmittel- und Getränkeindustrie wächst und viele Verarbeiter suchen aktiv nach KI-basierten Lösungen, um ihre Abläufe zu optimieren. Es besteht jedoch möglicherweise immer noch Skepsis oder Unsicherheit hinsichtlich der Wirksamkeit und Anwendbarkeit von KI in bestimmten Bereichen.

KI kann manchmal einschüchternd sein, und deshalb ist es wichtig, mit jemandem zusammenzuarbeiten, der Ihr Unternehmen versteht und in der Lage ist, die Einführung neuer Technologien zu demokratisieren und sie fest in kritischen Geschäftsprozessen und KPIs zu verankern, fügt Dwinell hinzu.

Festo North America stellt intelligente Geräte für die pneumatische und elektrische Automatisierung her, die zur Steuerung aller Arten von Prozessanlagen eingesetzt werden, die reich an Daten sind und für die Datenanalyse verwendet werden können. „Wir verfügen über Gateways (Hardware und Software), die Datenmodelle aus Hardware/Quellen Dritter und unseren Smart-Geräten extrahieren und MQTT und Node-RED nutzen, um Daten zu kontextualisieren und sie auf einem MQTT-Broker zur Nutzung verfügbar zu machen“, sagt Frank Latino, Produktmanagement elektrische Automatisierung. „Wir verfügen über ein KI/ML-Softwaretool zur Analyse der Daten für vorausschauende Wartungs-, Qualitäts- und Nachhaltigkeitsanwendungen.“

„Unsere Softwarelösung Festo AX ist unabhängig von jeglichen Hardwareherstellern, auch von Festo-Komponenten“, sagt Lea Bayer, Expertin für digitalen Vertrieb. „Es kann sowohl Offline- als auch Echtzeitdaten analysieren und hilft, die OEE der Produktion zu verbessern.“

„Im Allgemeinen würden wir KI/ML auf Lebensmittel- oder Getränkeanwendungen anwenden, um mechanische Ausfälle von Geräten, Qualitätsverluste und ungewöhnlichen Energieverbrauch vorherzusagen“, sagt Latino. „Zum Beispiel gibt es in der Geflügelverarbeitung Mechaniken in jedem Schritt des Prozesses. KI wird verwendet, um Prozessstörungen in Pneumatikzylindern zu erkennen. Bei Abfüllanwendungen wird KI verwendet, um Änderungen an Düsen und Ventilen zur Steuerung von Flüssigkeiten, Eiscreme usw. zu erkennen.“

„Durch IIoT gesammelte Prozessdaten können aggregiert werden, um Key Performance Indicators (KPIs) zu erstellen“, sagt Gian Paolo De Salvo, Branchenmanager für Fertigungsbetriebsmanagement in der Prozessindustrie, Siemens Digital Industries Software. OEE-KPIs zeigen Maschinenstillstandszeiten und den Grund für jedes Fehlerauftreten, Zeitspannen, in denen Maschinen mit niedriger Geschwindigkeit betrieben wurden, und den Prozentsatz an Ausschuss. Darüber hinaus ist es von entscheidender Bedeutung, den Produktionskontext dieser Prozessprobleme anzugeben, d. h., welche Art von Verpackung eine Verpackungsmaschine zu einem bestimmten Zeitpunkt verarbeitete oder welches Produkt der Abfüller in Verbrauchereinheiten abfüllte. „Unsere Manufacturing Operations Management (MOM)-Lösung kann all diese Transparenz bieten und dabei helfen, die Grundursachenanalyse der Prozess- und Produktionsprobleme zu untersuchen“, fügt Di Salvo hinzu.

KI kann eine Schlüsselrolle bei der Analyse von OEE-KPIs spielen, um eine kontinuierliche Verbesserung zu unterstützen, beispielsweise durch die Einrichtung automatisierter Warnungen, um Bediener über Abweichungen im Geräteverhalten oder beim Produktausschussanteil zu informieren, und bei der Identifizierung von Verhaltensweisen und Korrelationen zwischen verschiedenen Bereichen wie Prozess, Produktion und Qualität .

Laut Greg Powers, VP of Cool Stuff bei Gray Solutions und Mitglied der Control System Integrators Association, lag der Schwerpunkt von Gray Solutions auf fortschrittlichen Bildverarbeitungssystemen, hauptsächlich im Bereich der Qualitätsprüfungen. „Visuelle Inspektionsautomatisierungssoftware (VIA) geht über die Fähigkeiten der herkömmlichen maschinellen Bildverarbeitung bei der Erkennung von Anomalien und Defekten hinaus, selbst wenn Produkte natürliche Abweichungen aufweisen. Mit der bewährten visuellen KI-Technologie können Hersteller die Produktion skalieren, Verschwendung reduzieren und sich an Veränderungen in der Belegschaft anpassen und gleichzeitig Gleichmäßigkeiten erzielen.“ höhere Ebenen der Qualitätskontrolle. Darüber hinaus verwenden wir auch Bildverarbeitungssysteme, um Möglichkeiten zur Änderung von Kontrollparametern zu identifizieren – wie die Geschwindigkeit des Bandes oder die Ofentemperatur, je nachdem, ob das Essen zu stark oder zu wenig gegart ist.

„Die meisten Bereiche, auf die wir uns konzentriert haben, liegen in der Verarbeitung“, fügt Powers hinzu. „In Verpackungsbereichen sind bereits Bildverarbeitungssysteme mit KI/ML etabliert. Der Einsatz derselben Technologie in der Verarbeitung erfreut sich immer größerer Beliebtheit, da viel mehr Abfall und Ausschuss vermieden werden. Die meisten Anwendungen, auf die wir uns konzentriert haben, sind qualitätsorientiert, was.“ Dazu gehören Sortierung, Klassifizierung und Inspektionen. Dieselben Lösungen werden verwendet, um anhand vergangener Trends mithilfe fortschrittlicher Datenalgorithmen vorherzusagen, wann Ausfallzeiten auftreten könnten.“

„KI kann dabei helfen, Korrekturmaßnahmen vorzuschlagen, um den Ausschuss einer gesamten Produktionscharge zu vermeiden“, sagt Kevin Hoorne, Branchenmanager CP&R für digitale Fertigung bei Siemens Digital Industries Software. Basierend auf den Qualitätsparameterergebnissen für eine Charge aus dem Labor kann KI die Effizienz steigern und verlorene Chargen verhindern, indem sie Korrekturmaßnahmen vorschlägt, um die Qualitätsparameterergebnisse dieser Charge wieder innerhalb der Spezifikation zu bringen. Auf die gleiche Weise kann KI selbst bei qualitativ hochwertigen Chargen, bei denen alle Qualitätsparameter innerhalb der Spezifikation liegen, kontextualisierte Daten aus der Werkstatt analysieren und diese mit Qualitätsparametern verknüpfen, um Maschinenparameter für die zukünftige Produktion zu optimieren. So kann sich jede produzierte Charge der goldenen Charge annähern, bis diese schließlich zum Standard wird.

„Ebenso glauben wir bei Siemens, dass wahre Qualität nur dann erreicht werden kann, wenn die frühe Ideenfindung mit der endgültigen Umsetzung in der Fertigung verknüpft wird“, fügt Hoorne hinzu. „Hier haben wir auch daran gearbeitet, KI während der frühen Produktentwicklung in der Lebensmittel- und Getränkeindustrie einzusetzen. Bei der Arbeit mit formulierten Produkten ist die Maßnahme zur Optimierung einer Formel im Hinblick auf weniger quantifizierbare Parameter wie Geschmack und Geschmeidigkeit nicht so einfach. Dies.“ Hier haben wir erfolgreiche Anwendungsfälle eingerichtet, die KI nutzen, um dies auf effiziente Weise zu ermöglichen, Zeit und Geld zu sparen und es Unternehmen zu ermöglichen, als Erste ein verbessertes Produkt auf den Markt zu bringen.“

Die Aufrechterhaltung der Qualität durch hohen Durchsatz kann eine Herausforderung sein, sagt Alexander Epple, Leiter für Industrie-IIoT-Branchenlösungen bei Siemens Digital Industries Software. „Wir unterstützen dies mit unserer Lösung Quality Prediction Hub, die maschinelles Lernen auf Maschinen- und Prozessdaten nutzt, um Qualitätsprobleme entlang des Verpackungsprozesses vorherzusagen, um Qualitätsinspektionsprozesse zu automatisieren, Probleme so früh wie möglich zu erkennen und Informationen bereitzustellen, die auf die Ursachen von Qualitätsproblemen hinweisen können von Betreibern genutzt werden, um die Linieneinstellungen zu optimieren.“

Lebensmittelverarbeiter erwarten eine Verbesserung der OEE, und KI/ML kann bei diesen Anwendungen helfen. „Die Hauptmotivation für den Einsatz von Machine-Learning-/KI-Software besteht darin, Produktionsprozesse und OEE zu verbessern“, sagt Bayer von Festo. „Unsere Kunden haben oft einen Schwachpunkt in ihrer Produktion und keine herkömmlichen Lösungen wie Zustandsüberwachung können helfen. Sie erwarten neben der Fehlererkennung eine Lösung, die sich einfach und nahtlos in ihre bestehende Architektur und Prozesse integrieren lässt. Festo AX sollte gesehen werden.“ als Teil ihrer täglichen Arbeit.“

„Wir erwarten von den Geräteanbietern mehr integrierte Fähigkeiten“, sagt Gray's Powers. „Intelligente Maschinen, die Anpassungen auf der Grundlage von Daten vornehmen können, die nachgelagert erfasst werden – und dabei fortschrittlichere Algorithmen verwenden, um diese Anpassungen vorzunehmen. Wir tun dies jetzt, aber es ist immer eine Herausforderung, die richtigen Daten von Ausrüstungsanbietern zu erhalten und welche Parameter wir anpassen können.“

Warum eine Herausforderung? „Sie (Ausrüstungsanbieter) zögern, diese [Daten] produzierenden Unternehmen zur Verfügung zu stellen, da sie Gefahr laufen, die Kontrolle über ihre Lösungen und Wettbewerbsvorteile (IP) zu verlieren“, sagt Powers. „Die Lebensmittelverarbeitungsunternehmen, die diese Hürden überwinden konnten, konnten eine Reduzierung des Abfalls, eine verbesserte Qualität und weniger Ausfallzeiten bei der Ausrüstung verzeichnen.“

Wo KI einem Prozessor helfen kann, hängt von der Festlegung von Prioritäten ab. „Schwerpunktbereiche werden immer von den dringendsten Herausforderungen der Kunden abhängen, die sich von Unternehmen zu Unternehmen erheblich unterscheiden können“, sagt Epple von Siemens. „Vorausschauende Wartung kann beispielsweise für Unternehmen mit älteren Geräten wichtiger sein als für Unternehmen mit brandneuen Maschinen. Ebenso hängt die Bedeutung der Vorhersage und Vermeidung von Stromverbrauchsspitzen je nach Energieintensität, lokalen Energiekosten usw. ab. Daher bieten wir Folgendes an.“ ein Portfolio prädiktiver Lösungen für die häufigsten Herausforderungen und benutzerfreundlicher Tools, mit denen Kunden Anomalien erkennen oder Vorhersagen auf der Grundlage ihrer Produktionsdaten treffen können.“

Mit welchen Ausgaben muss ein Verarbeiter für KI-basierte Tools rechnen? „Aus Produktsicht kommt es stark auf die Marke und die Marktpositionierung an“, sagt Hoorne. „Es ist wie ein Zitat eines KI-Anbieters, der sagt: ‚Wir haben eine Lösung für die Unternehmen, für die es Millionen wert ist, als Erster auf den Markt zu kommen und nicht als Zweiter.‘ Und für einige CPG-Hersteller und die innovativen Produkte, die sie auf den Markt bringen, ist dies der Fall. Für andere ist es jedoch mehr als genug, ein früher Zweiter auf dem Markt zu sein.“

Daher obliegt es dem Verarbeiter, die Schwerpunktbereiche zu bestimmen, in denen KI einen Mehrwert bringen könnte, fügt Hoorne hinzu.

Die Erfüllung der Erwartungen erfordert Geduld, da die KI sozusagen „lernen“ muss, was von ihr erwartet wird. Manchmal erwarten Hersteller von diesen Lösungen unmittelbare Vorteile und Vorteile, aber das ist nicht immer der Fall, sagt Gray's Powers.

„KI/ML benötigt große Datenmengen für die Analyse. Das Sammeln und Identifizieren dieser anfänglichen Muster braucht Zeit, damit die Algorithmen aktualisiert werden können. Schließlich kann das System angepasst werden und die Vorteile stellen sich schnell ein, und es ist nur wenig oder gar keine zusätzliche Zeit erforderlich.“ in den Algorithmen. Die meisten Gewinne liegen in der Abfallreduzierung, weniger Ausfallzeiten, aber auch im Arbeitsaufwand“, sagt Powers.

„Ein Großteil der Arbeit, die im Bereich KI/ML geleistet wurde, besteht darin, etwas zu ersetzen, was der Arbeiter getan hat, insbesondere bei Qualitätsprüfungen“, fügt Powers hinzu. „Oft hat das System mehr Fehler erkannt als erwartet, was eine Verbesserung der Gesamtqualität des Produkts während des Herstellungsprozesses ermöglichte. Es ist sehr wichtig, die zu erfassenden Daten zu verstehen und mit der Erfassung zu beginnen. Einmal Daten.“ gesammelt wurden, nutzen Sie diese zum ersten Lernen. Dies wird während des gesamten Projekts Zeit sparen.“

In einer von Festo durchgeführten OEE-Anwendung wurde eine Verbesserung festgestellt. „Unsere Lösung reduzierte beispielsweise ungeplante Ausfallzeiten, erhöhte die Verfügbarkeit und reduzierte Nacharbeiten und Ausschuss“, sagt Latino. „Es kann einige Iterationen dauern, um ein Datenmodell zu verbessern und Fehlalarme zu reduzieren. Aus diesem Grund ist der Einsatz eines erfahrenen Teams von Mehrwert. Seine Erfahrung hilft dabei, das Modell in der Inbetriebnahmephase so schnell wie möglich richtig zu machen.“

Hat die KI das Kleinkindstadium erreicht oder läuft oder rennt sie? „Ich sehe, dass die Bereitstellung von KI einfacher wird, wenn man sie direkt in die Geräte einfügt, die die Prozesse steuern“, sagt Latino.

„Wir haben unsere Software über viele Jahre hinweg bewährt, indem wir Kunden dabei geholfen haben, Produktionsprozesse und OEE zu verbessern“, sagt Bayer von Festo. „Wir arbeiten mit vielen Unternehmen der Lebensmittelindustrie zusammen und bieten standardisierte KI-Lösungen, zum Beispiel Palettierer oder Abfüllmaschinen. Ich kann mit Sicherheit sagen, dass wir mit unserer Softwarelösung das Kleinkindstadium längst überschritten haben.“

„Machine-Vision-Aufgaben erfordern heute hochkomplexe Analysen, die über den Rahmen herkömmlicher Vision-Systeme hinausgehen“, sagt Gray's Powers. „Infolgedessen ist die Nachfrage nach qualitativ hochwertigen Inspektionsaufgaben im Bereich der Lebensmittelherstellung exponentiell gewachsen. Der zunehmende Bedarf, die Qualität der hergestellten Lebensmittelprodukte sicherzustellen, hat den Rahmen traditioneller Bildverarbeitungstechniken überschritten, die von Menschen weitgehend nicht durchgeführt werden konnten -ähnliche Inspektionsaufgaben. Bildverarbeitungssysteme haben große Fortschritte in der KI gemacht, und da immer mehr Unternehmen KI-Tools anbieten, ist der Markt explodiert. Da wir mehr Technologie in anderen Bereichen wie der vorausschauenden Wartung implementieren, wird KI immer greifbarer. KI-Unternehmen sind auf dem Vormarsch in diesem Bereich und wird in den nächsten 10 Jahren explodieren.“

D'Aquila von der ARC Advisory Group listet drei Wachstumsbereiche für KI auf:

„Muster und Algorithmen können in der Cloud gespeichert und dann an ein empfangendes System vor Ort übertragen werden, das die Aktionen ausführt oder weitere betriebsfähige Algorithmen bereitstellt“, sagt Powers. „Bei der Übertragung der Daten in die Cloud kann es zu echten Herausforderungen für die Infrastruktur kommen. Da die Cybersicherheit für viele Unternehmen ein großes Problem darstellt, wird es noch schwieriger, Daten aus den Werken in die Cloud zu übertragen. IT-Gruppen zögern, Portkanäle für Daten zu öffnen.“ von der Ausrüstung gesammelt.“

„Viele im Verarbeitungsbereich kämpfen mit Sicherheitsbedenken der Cloud“, fügt D'Aquila hinzu. „Ironischerweise steht die Sicherung der Cloud ganz oben auf der Liste der wichtigsten Herausforderungen, wenn es um die digitale Transformation in der Fabrik geht. Die primären Forschungsgespräche von ARC haben ergeben, dass sich diejenigen, die den Wechsel in die Cloud vollzogen haben, tatsächlich sicherer fühlen.“

„Sie haben auch die Skalierbarkeit als Vorteil der Umstellung auf die Cloud genannt, die es ihnen ermöglicht, die Rechenleistung und den Speicher je nach Bedarf zu erhöhen oder zu verringern, ohne in teure Hardware vor Ort investieren zu müssen“, sagt D'Aquila. „Die Cloud kann im Laufe der Zeit viel kostengünstiger sein und erfordert keine ständige Wartung vor Ort.“

„Im Allgemeinen können Cloud-Lösungen von einem Anbieter einfacher aktualisiert werden, sodass dem Benutzer immer die neuesten Versionen zur Verfügung stehen“, sagt Latino. „Hosting-Dienste bieten im Allgemeinen den neuesten Schutz für die Sicherheit. Die Ausführung in Echtzeit hängt von der Anwendung ab. Bei Bedarf ist die Ausführung auf einem Edge-Controller möglich. Software kann jedoch flexibel genug sein, um Anomalieerkennung am Edge und Modelldefinition durchzuführen. Datenbank usw. können in der Cloud liegen, wo mehr Ressourcen (z. B. Speicher) verfügbar sind.“

[1] „Warum scheitern Implementierungen künstlicher Intelligenz?“ Marianne D'Aquila, ARC Advisory Group, www.arcweb.com, abgerufen am 1. Mai 2023

„Künstliche Intelligenz/maschinelles Lernen reduziert Fehler und Verschwendung, FE, 9. Mai 2022

„KI hilft bei der Steuerung von Gewächshausautomatisierungssystemen“, Engineering R&D, FE, 3. Juni 2022

„KI/ML-basierte Echtzeit-Sensortechniken verwandeln die Kunst der Weinherstellung in exakte Wissenschaft“, Engineering R&D, FE, 12. Juli 2022

„Konsistente Fermentationsergebnisse erzielen“, FE, 10. September 2021

„Um neue KI-basierte Methoden zur Steigerung der Produktivität zu finden, sind digitale Daten erforderlich“, FE, 13. Februar 2020