Datenerfassung für KI-Algorithmen sorgen für zusätzliche Netzlast

Stau auf der Datenautobahn

Für den erfolgreichen Einsatz von künstlicher Intelligenz in der Produktion ist eine solide Datenbasis entscheidend. Je größer die Datenmenge und je höher die Datenqualität, desto besser funktionieren KI-Projekte. Falls die Daten in größeren Produktionsanlagen erfasst werden sollen, muss das Netzwerk dafür entsprechend ausgelegt werden - oder im Falle einer Nachrüstung die dafür notwendige Reserve haben. Im folgenden Artikel wird erläutert, auf welche Parameter es dabei ankommt.
 Erhöhtes Datenaufkommen während der Cloud-Kommunikation kann zu Kommunikationsausfällen führen.
Erhöhtes Datenaufkommen während der Cloud-Kommunikation kann zu Kommunikationsausfällen führen.Bild: Leadec Group

Wenn die Mitarbeiter von Leadec zu industriellen Anlagen gerufen werden, hat das häufig den Charme eines Feuerwehreinsatzes. In der Regel sind die Ursachen sporadische Unterbrechungen der Produktion oder gar ein kompletter Stillstand wegen Störungen in der Kommunikation im Anlagennetzwerk oder Feldbus. In anderen Fällen geht es um die Abnahme von neuen Anlagen oder die Anpassung der Kommunikation.

Es gibt jedoch auch noch andere Gründe: „Kürzlich hatten wir den Auftrag, ein Netzwerk auf Netzlast, Auslastungsgrad der Netzlastklasse, Jitter und Lost-Telegramme zu untersuchen“, berichtet Hans-Ludwig Göhringer, Netzwerk- und Feldbusexperte bei Leadec. „Auf den ersten Blick hat das wie eine Routine-Arbeit ausgesehen. Dann hat sich jedoch gezeigt, dass wir mitten in einem Projekt zu den Themen künstliche Intelligenz und maschinellem Lernen gelandet sind.“

Daten, Daten, Daten

Vereinfacht gesagt erkennen KI-Systeme in großen Datenmengen wiederkehrende Muster. Das funktioniert nur richtig, wenn die Quantität und die Qualität der Datensätze stimmen. Maschinelles Lernen für die prädiktive Instandhaltung oder zur Verbesserung von Produktionsprozessen funktioniert nur dann richtig, wenn die eingesetzten Methoden und Algorithmen aus möglichst großen Datenmengen lernen.

Im Produktionsumfeld erhält man die relevanten Daten von den Steuerungen, Sensoren und von Aktoren, die verschiedene Aktualwerte und Diagnosedaten liefern. Je nach KI-Anwendung kann eine Erweiterung um weitere Sensoren oder Systeme zur Bildverarbeitung notwendig sein. Durch den Einsatz von selbstlernenden Modellen ist es z.B. möglich, dass ein System Fehlermuster in Echtzeit erkennt und damit Qualitätsmängel effektiv vermeidet.

Bild: Leadec Holding BV & Co. KG

Als Rückgrat in den Maschinen und Anlagen spielen industrielle Netzwerke wie Profinet eine entscheidende Rolle. Neben der Datenkommunikation zwischen den Steuerungskomponenten, die für das Funktionieren der Anlage an sich notwendig ist, wird nun zusätzliche Bandbreite für die Erfassung der KI-Datenbasis benötigt. Nebenbei sei noch erwähnt, dass hier häufig auch eine Cloud-Anbindung erfolgt. Das führt hinsichtlich der Security-Themen Zugriffssicherheit und Datenschutz zu weiteren Herausforderungen, die gelöst werden müssen. Darauf soll an dieser Stelle nicht näher eingegangen werden.

Netzlast des Anlagennetzwerks

Im bereits angesprochenen Anlagennetzwerk ging es darum, welche Reserven in der Profinet-Kommunikation bestehen bzw. wie sich die zusätzliche, von der KI verursachte, Kommunikationslast auf den Datenverkehr in der Anlage auswirkt. Laut der Profinet-Nutzerorganisation PNO soll die Netzlast im Betrieb des Netzwerkes an wichtigen Punkten bestimmt werden. Am wichtigsten sind die Knotenpunkte, da hier die höchste Konzentration der Datenströme zu erwarten ist. Das ist in der Regel die Netzwerkverbindung zur SPS. Bei Multi-SPS-Anwendungen sollte die Netzlast an jeder Steuerung erfasst und der Maximalwert dokumentiert werden. Die Grenzwerte für die zyklische Echtzeitkommunikation gibt die PNO in den Vorgaben der Profinet Planungsrichtlinie wie folgt an:

  • 50 Prozent: Maßnahmen zur Verminderung der Netzlast müssen ergriffen werden

Aktualisierungszeiten

Die Aktualisierungszeiten haben einen wesentlichen Einfluss auf die Netzlast. Je kleiner die Aktualisierungszeiten sind, desto höher ist die übertragene Datenmenge pro Zeit und damit auch die Netzlast. Die Aktualisierungszeiten der Profinet-Geräte werden passend zur Zykluszeit der übergeordneten SPS festgelegt. Um die Netzlast zu reduzieren, kann überprüft werden, ob die Zykluszeit der SPS – und damit auch die Aktualisierungszeiten der Profinet-Teilnehmer – reduziert werden kann. Dabei muss jedoch beachtet werden, dass hier auch die Linientiefe eine Rolle spielt. Jeder Switch, der in die Kommunikationsstrecke eingefügt wird, führt zu einer bestimmten Verzögerung der Kommunikation. Die Anzahl der Switches zwischen SPS und den Profinet-Geräten wird Linie genannt. Je größer die Linie, desto mehr vergrößert sich die Verzögerung des Datentransfers.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.