Digitaler Zwilling im Praxiseinsatz

In einem Use Case in der industriellen Praxis führten gelockerte Schrauben an kritischen Verbindungen dazu, dass Großgeräte zu heiß wurden und in die Notabschaltung gingen. Ein digitaler Zwilling hilft jetzt, diesen Effekt früh zu bemerken.
Bild: ©Anatoly Stojko/stock.adobe.com

Bei beanspruchten Großgeräten können sich mit der Zeit die Schraubverbindungen der Starkstromanschlüsse lösen. Für den Gerätehersteller und die Anwender kann dies problematisch werden, da die gelockerten Verbindungen zur Überhitzung des Geräts bis hin zur Notabschaltung sowie zu thermischen Defekten an einzelnen Komponenten führen können. Ungeplante Stillstandszeiten und Reparaturen durch einen Service-Techniker sind die Folge. Die naheliegende Lösung für den Gerätehersteller ist ein System, das bereits vor dem Auftreten erster Schäden darüber informiert, wenn ein Gerät von gelockerten Schraubverbindungen betroffen ist. So können Techniker in vergleichsweise kurzen, kostengünstigen und besser planbaren Service-Einsätzen vor Ort das Problem lösen.

Historische Daten integriert

Der Gerätehersteller beauftragte einen Softwaredienstleister damit, eine solche Lösung zu entwickeln. Dafür stellt er Temperaturdaten zur Verfügung, die Sensoren an den Geräten über mehrere Jahre hinweg gesammelt haben. Die Daten sind ergänzt um dokumentierte Defekte, also um den auffälligen Zeitraum vor dem Defekt sowie den Ausfall- und Reparaturzeitpunkt. Aus diesen historischen Daten sollten mit statistischen Methoden sowie Machine Learning Rückschlüsse und erkennbare Muster hergeleitet werden, die auf Geräte mit gelockerten Schraubverbindungen hindeuten. Zeigt ein Gerät künftig ein ähnliches Temperaturmuster, sollte die Software den Hersteller rechtzeitig warnen. In der Praxis zeigten Methoden wie Random Forest und Zeitreihenanalysen jedoch, dass sich jedes Gerät hinsichtlich der Temperaturentwicklung anders verhält. Zudem verzeichnen die Temperatursensoren in Abhängigkeit ihrer Position unterschiedlich starke Temperaturschwankungen. Konkret erkennbare Muster für lockere Schraubverbindungen konnten anhand der Daten dadurch nicht identifiziert werden.

Die visualisierte theoretische Temperaturentwicklung des physikalischen Modells (Orange) im Vergleich zur tatsächlichen Temperaturentwicklung (Blau) bei normalem Systemverhalten zeigt bereits eine große Übereinstimmung.
Die visualisierte theoretische Temperaturentwicklung des physikalischen Modells (Orange) im Vergleich zur tatsächlichen Temperaturentwicklung (Blau) bei normalem Systemverhalten zeigt bereits eine große Übereinstimmung.Bild: Infoteam Software AG

Mehr Information notwendig

Der Gerätehersteller stellte deshalb weitere Daten in Form von Betriebsdaten, etwa Zeitreihen über ausgeführte Gerätefunktionen, zur Verfügung, die der Softwaredienstleister in Nutzungs- und Pausenzeiten unterteilte. Im Anschluss wurden diesen Zeiten die gemessenen Temperaturen aller Sensoren zugeordnet. Die Verknüpfung von Betriebsdaten und Temperaturdaten bot nun die Möglichkeit, ein einfaches Modell für die Temperaturentwicklung während der Pausenzeiten abzuleiten. Dieses diente als Basis für die Entwicklung eines erweiterten physikalischen Modells der Temperaturentwicklung in Abhängigkeit zu den Betriebsdaten. Ein solcher digitaler Zwilling ermöglicht es, den theoretischen Temperaturverlauf mit dem tatsächlichen zu vergleichen und Abweichungen festzustellen.

KI-basiertes Modell

Bedingt durch die Gerätekomplexität ist dieses physikalische Modell jedoch mit großen Toleranzen behaftet, da nicht alle in den Daten versteckten Abhängigkeiten identifizierbar bzw. mathematisch modellierbar sind. Deshalb und aufgrund der großen Datenmengen – Daten von 10.000 Geräten wurden über mehrere Jahre erfasst – verfolgt der Softwaredienstleister zusätzlich zum physikalischen Modell den Ansatz eines KI-basierten Modells, um nutzungsabhängige Temperaturverläufe vorherzusagen. Ein solches Modell benötigt kein Expertenwissen, sondern entwickelt sich selbst zum Experten. Zudem können seine Vorhersageergebnisse auch zum Entschlüsseln weiterer Temperaturanomalien dienen.

Bild: infoteam Software AG

Natural Language Processing

Das selbstlernende KI-Modell nutzt Methoden aus dem Natural Language Processing (NLP), also Computerlinguistik. Die Algorithmen sind in der Lage, natürliche Sprache zu verarbeiten und kontextbezogene Zusammenhänge zu verstehen. Im vorliegenden Anwendungsfall lernt ein neuronales Netz, die in eine ’sprachähnliche Form übersetzten‘ Betriebsdaten zu interpretieren. Da die Betriebsdaten teilweise längere Arbeitssequenzen beinhalten, eignen sich Long-Short-Term-Memory(LSTM)-Netzwerke, um damit die Ergebnisqualität zu verfeinern. Der Abgleich mit Betriebs- und Temperaturdaten fehlerfreier Geräte zeigte, dass das trainierte KI-Modell präzisere Vorhersagen treffen konnte als das manuell erstellte physikalische Modell.

Lockerungen früh erkennbar

Der Vergleich des tatsächlichen Temperaturverlaufs eines Geräts mit dem theoretischen Temperaturverlauf seines digitalen Zwillings ermöglicht es nun, signifikante Abweichungen von der Norm zu identifizieren. In der Folge weist der Vergleich zwischen der Temperaturvorhersage aus dem KI-Modell und den tatsächlich am Gerät gemessenen Daten nach: Nicht das Überschreiten eines festen temperaturbezogenen Schwellenwerts ist kennzeichnend für eine Lockerung der Schraubverbindungen, sondern ein über mehrere Wochen langsam ansteigender Versatz der Temperaturtrajektorien, also des Temperaturverlaufes. Diese Erkenntnis verlängert den zeitlichen Handlungsspielraum gegenüber der vom Gerätehersteller ursprünglich gewünschten Lösung um mehrere Wochen, in denen der schleichende Lockerungsprozess bereits sichtbar und behebbar ist. Um in der Praxis dem nachgewiesenen individuellen Verhalten jedes einzelnen Geräts gerecht zu werden, implementiert der Softwaredienstleister einen Automatisierungsprozess, der aus dem entwickelten KI-Basismodell ein individuelles Modell für jedes im Einsatz befindliche Gerät erstellt. Der Gerätehersteller ist seither in der Lage,

  • alle Geräte bezüglich auftretender Temperaturanomalien zu überwachen,
  • die Analysen über Dashboards zu visualisieren,
  • automatische Service-Tickets bei Temperaturanomalien zu erstellen,
  • die Geräte frühzeitig in geplanten Service-Einsätzen zu reparieren, ohne dass Schäden entstehen.
Infoteam Software AG

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.