Der Datenlehrling
#SiemensAI - Künstliche Intelligenz unterstützt Predictive Maintenance
Betriebsdaten von Maschinen und Anlagen verraten oft schon frühzeitig, wenn Defekte drohen. Werden diese Daten kontinuierlich erfasst und analysiert, können Fehler behoben werden, bevor sie passieren (Predictive Maintenance). Allerdings ist Expertenwissen notwendig, um solche Datenströme interpretieren zu können. Ein neuer Ansatz von #SiemensAI, macht es möglich, mit äußerst geringem Aufwand künstlicher Intelligenz (KI) dieses Expertenwissen anzutrainieren.
Große Industrieanlagen, etwa in der Produktion, der Energiegewinnung oder Verteilung, müssen kontinuierlich überwacht werden. Früher machten das ausschließlich Techniker*innen. Inzwischen – dank IoT (Internet of Things) – hat es sich jedoch etabliert, die Maschinen überwiegend durch Sensoren, die Daten wie Druck, Temperatur, Schwingung u.s.w. erfassen, zu kontrollieren. Veränderungen dieser Werte zeigen drohende Defekte und Verschleiß oft deutlich früher, als mit der klassischen Wartung möglich wäre. „Fehler auf der Basis von Sensordaten finden heißt also, endlose Datenketten (bzw. Graphen) zu analysieren und Auffälligkeiten zu finden“, erklärt Sebastian Mittelstädt, Experte für künstliche Intelligenz aus der Siemens-Forschungseinheit Technology. „Menschen empfinden solche Tätigkeiten meist als dröge, fehleranfällig und belastend. Künstliche Intelligenz hingegen, kann sehr gut auf solche Mustererkennungsaufgaben trainiert werden. Unser Tool SALT (Semi Automatic Labeling Tool), haben wir speziell für industrielle Anwendungen entwickelt. SALT unterstützt mit künstlicher Intelligenz bei der Analyse der Sensor-Datenströme und wird im Laufe der Zeit dabei immer besser.“
“Training on the job” statt Trainingsdaten
Jegliche künstliche Intelligenz muss trainiert werden, bevor sie sinnvoll genutzt werden kann. Die meisten Verfahren nutzen dafür extra erstellte Trainingsdaten, aus denen die KI lernt. Allerdings werden im Allgemeinen tausende Datensätze benötigt, bevor zuverlässige Aussagen erwartbar sind. „Zuverlässige Trainingsdaten zu erstellen ist aufwändig“, sagt Mittelstädt. „Experten müssen dafür viele tausend Datensätze so aufbereiten, dass die künstliche Intelligenz daraus lernen kann. Im industriellen Umfeld ist es immer schwierig seltene Systemzuständen oder Fehler - die aber für das Training wichtig wären - in Realdaten zu bekommen.“
Experte nach wenigen Stunden
SALT setzt daher auf einen anderen Ansatz: auf Training im Realbetrieb „SALT kann am Anfang des Trainings nur Bereiche mit deutlich unterschiedlichen Datenmustern erkennen und markiert sie in unterschiedlichen Farben. Meist handelt es sich dabei nicht um Fehler, sondern um unterschiedliche Phasen im Normalbetrieb. Der menschliche Experte ergänzt diese markierten Bereiche mit ihrer/seiner Interpretation (Label) – z.B. Temperaturerhöhung wegen Motorstarts“, erklärt Mittelstädt. „Mit diesen Trainingsdaten trainiert, kann die KI nach kurzer Zeit, die unterschiedlichen Phasen im Normalbetrieb korrekt erkennen und mit dem richtigen Label versehen. Erst, wenn wieder neue unbekannte Datenmustern auftreten, wird diese wieder als Auffälligkeit markiert, die der Experte dann wieder bewerten muss. Im Grunde arbeiten KI und Experte zusammen wie Lehrling und Meister. Die einfachen Sachen macht der Lehrling schon bald selbstständig und, wenn es kritisch wird, ruft er den Meister. Wir haben SALT bereits in unterschiedlich Branchen eingesetzt – bei der Überwachung von Öl Pumpen, im Automobilsektor und auch in der Logistik und Produktion. Wir stellen fest, dass wenn wir künstliche Intelligenz mit SALT und einem Experten trainieren, sie bereits nach wenigen Stunden die Daten äußerst souverän interpretiert. Mit klassischem KI-Training mit separat erzeugten Trainingsdaten hingegen brauchen wir meist einige Tage, wenn nicht gar Monate bevor die KI genutzt werden kann.“
Gelabelte Daten – ein perfekter Treiber für industrielle KI
„Der Zugang zu gelabelten und hochwertigen Daten ist Voraussetzung dafür, dass künstliche Intelligenz in Industrie-Umgebungen eingesetzt werden kann. Wir brauchen diese Daten, um KI trainieren zu können“, sagt Vladimir Lavrik, Experte für künstliche Intelligenz bei Siemens Digital Industries (DI). Bei DI wird KI zum Beispiel dafür eingesetzt, um Fehler eines 3D-Druckers, bei dem von Zeit zu Zeit die Druckdüse verstopft, zu vermeiden (mehr Info). Wenn das geschieht, dann wird das Teil, das gerade gedruckt wird, unbrauchbar. Verhindern lässt sich das nur, wenn es gelingt – aus den Daten des Druckers – die drohende Verstopfung zu erkennen und die Düse rechtzeitig zu reinigen. „Mit SALT bekommen wir verlässliche gelabelte Daten, mit denen die künstliche Intelligenz trainiert werden kann, die drohende Verstopfung rechtzeitig zu erkennen“, sagt Lavrik. „Insbesondere wichtig ist dabei die Effizienz, denn wenn sich irgendetwas im Druckprozess ändert – etwa Material oder Temperatur – dann muss mit neuen Trainingsdaten das KI-Modell angepasst werden.“
Aenne Barnard, März 2021
Subscribe to our Newsletter
Stay up to date at all times: everything you need to know about electrification, automation, and digitalization.
