ERP-Systeme als Anlaufstelle für KI-Applikationen

ERP-Systeme als Anlaufstelle für KI-Applikationen Kontext macht aus Daten Information Selbst wenn künstliche Intelligenz von einer Nischenanwendung zur Normalität wird, ändert sich an der Rolle des führenden ERP-Systems nicht viel. Auch in diesen Szenarien werden Datendrehscheiben gebraucht – etwa um der KI-Applikation Metadaten bereitzustellen. Eine Voraussetzung für die smarte Fabrik ist die Anbindung vieler Drittsysteme […]

ERP-Systeme als Anlaufstelle für KI-Applikationen

Kontext macht aus Daten Information

Bild: ©phonlamaiphoto/stock.adobe.com

Selbst wenn künstliche Intelligenz von einer Nischenanwendung zur Normalität wird, ändert sich an der Rolle des führenden ERP-Systems nicht viel. Auch in diesen Szenarien werden
Datendrehscheiben gebraucht – etwa um der KI-Applikation Metadaten bereitzustellen.

Eine Voraussetzung für die smarte Fabrik ist die Anbindung vieler Drittsysteme an die zentrale Geschäftslösung. Denn jeder Ablauf ist nur so effizient wie sein ineffizientester Teilprozess. Verzögert ein manueller Datenaustausch den Ablauf, sind die Geschwindigkeitsvorteile der vernetzten Maschinen womöglich dahin. Um das zu vermeiden und alle an der Wertschöpfungskette beteiligten Systeme anbinden zu können, haben sich viele ERP-Systeme in den vergangenen Jahren zu einer werksnahen Informationsdrehscheibe weiterentwickelt. Eine Aufgabe, die mit der zu erwartenden Verbreitung von KI-Technologie im Fabrikumfeld noch einmal an Bedeutung gewinnen dürfte. Denn auch eine KI-Applikation ist auf Metadaten und Kontext angewiesen, um sinnvolle Ergebnisse produzieren zu können.

Zeitfenster sind zu klein

Auch wenn die Forschung noch weit von der Entwicklung einer starken KI entfernt ist, gibt es bereits heute nützliche Einsatzmöglichkeiten im Fertigungsumfeld, etwa die vorausschauende Wartung. Schon zu Beginn der Industrie-4.0-Bewegung zählte Predictive Maintenance zu den vielversprechendsten Szenarien in der vernetzten Fabrik. Nicht wenige dieser Anwendungen wurden seitdem implementiert – zeigten jedoch auch die unerwarteten Schwierigkeiten in der Praxis auf. Traditionell basiert die präventive Erkennung von Fehlern auf Schwellenwerten: Nähert sich etwa die Temperatur der Anlage einem kritischen Bereich, wird eine Warnung ausgelöst und ein Techniker zur vorausschauenden Wartung entsendet. In der Praxis ist jedoch häufig das Zeitfenster nach Ausgabe der Warnung für die Service-Techniker zu klein, um das Eintreten des Fehlers tatsächlich noch zu verhindern. Zudem lässt sich ein Schwellenwert erst definieren, wenn die Parameter bekannt sind, die auf einen Maschinenausfall hinweisen. In der Realität ist eine Störung jedoch häufig nicht nur mit einigen wenigen Variablen, sondern vielmehr mit komplexen Störungsmustern verbunden. Dabei können auch Einflüsse eine Rolle spielen, die noch keinem in den Sinn kamen – beispielsweise der Luftdruck der Arbeitsumgebung. Solche Störungsmuster zu identifizieren, stellt aufgrund der hohen Komplexität eine Herausforderung dar: Denn mit jedem weiteren Parameter, der in die Beobachtung miteinbezogen wird, steigt die Zahl der Möglichkeiten exponentiell an, wie dieser mit den übrigen Werten zusammenspielen kann. Hier spielt künstliche Intelligenz ihr Potenzial aus.

Neuronale Netze entdecken Muster

Die Grundlage einer KI-Analyse stellen die historischen Betriebsdaten einer Maschine dar. Um aussagekräftige Ergebnisse zu erziehen, sollten diese mindestens ein Jahr zurückreichen, besser noch zwei bis drei Jahre. Je länger die Daten zurückreichen, desto wahrscheinlicher ist es, dass ein bestimmter Fehler aufgetreten ist und damit in den erfassten Daten aufgezeichnet wurde. Die Analyse der Daten erfolgt anschließend mit neuronalen Netzen auf Basis der sogenannten Long-short-term-memory-Technik. Damit wird eine Art Erinnerungsvermögen für das neuronale Netz erzeugt. Anschließend wandern die historischen Daten als Trainingsdaten in das neuronale Netz – das daraus ein Verständnis entwickelt, in welcher Kombination die Parameter typischerweise kritisch sind. Wiesen etwa ein Großteil der historischen Störungen bei mindestens 25 Parametern ungewöhnliche Werte auf, könnte es sich bei einer ähnlichen Menge an ungewöhnlichen Werten wahrscheinlich ebenfalls um eine Störung handeln, selbst wenn völlig andere Parameter involviert sind als bei den Störungen in den historischen Daten.

Seiten: 1 2Auf einer Seite lesen

Autor: Asseco Solutions AG
www.ap-ag.com

News

Fachbeiträge

AI at the Edge

AI at the EdgeProgrammierung von AI-Lösungen unter...

Weitere Fachbeiträge

Was ist künstliche Intelligenz?

Was ist künstliche Intelligenz? Anspruchsvolle Probleme einfach per KI lösen Kaum eine Digitalstrategie kommt heutzutage ohne künstliche Intelligenz aus. Doch was zeichnet eine KI aus und wo kommt sie zum Einsatz? Künstliche Intelligenz ist ein Zweig der Informatik,...

Machine Learning kann Liquidität steigern

Volle Auftragsbücher und trotzdem insolvent – dieses Schicksal kann selbst stabile Unternehmen ereilen, wenn ihre Großkunden nicht pünktlich zahlen. Dabei lässt sich die Liquidität sichern, wenn rechtzeitig die richtigen Infos bereitstehen. Machine Learning macht genau das jetzt automatisiert möglich.

Der digitale Zwilling im Fahrzeugbau

Wie mit Daten die Entwicklung beschleunigt werden kann Der digitale Zwilling im Fahrzeugbau Fahrzeugbauer erhalten Erkenntnisse über die Qualität und Fahrverhalten neuer Automodelle unter Realbedingungen. Die dabei gesammelten Daten bilden jedoch immer häufiger die...

RPA trifft künstliche Intelligenz

Intelligent Automation steht für eine neue Stufe in der Zusammenarbeit von Mensch und Maschine. Smarte Automatisierung verändert mithilfe von KI und Analytics die Geschäftsprozesse in Unternehmen grundlegend. Für die aktuelle Studie hat Deloitte weltweit Unternehmen befragt: Wie skalieren sie ihre Automatisierungsstrategie erfolgreich? Und sind sie bereit, menschliche und maschinelle Intelligenz zu kombinieren, um das volle Potential der neuen Technologie zu schöpfen?

Software-Roboter im Internet der Dinge

Künstliche Intelligenz und das Internet of Things sind für sich alleine schon faszinierende Technologien. Werden beide kombiniert, eröffnet dies neue Anwendungszenarien für die Optimierung von Geschäftsprozessen. Dabei sammelt das IoT die Daten, während die KI sie verarbeitet, um ihnen Bedeutung zu verleihen.

Anomaly Detection

Anomaly Detection Anomalien einfach und zielsicher mit wenigen Bildern erkennen Deep-Learning-Verfahren werden sowohl für die Identifikation von Objekten als auch für die Detektion von Fehlern eingesetzt. Mit der Anomaly Detection in Halcon 19.11 lassen sich nun auch...

Mehr Speicher für mehr Daten

Autonomes Fahren Mehr Speicher für mehr Daten Künstliche Intelligenz spielt bei der Zukunft der Mobilität eine große Rolle, da Fahrzeuge immer abhängiger von immer mehr Daten werden. Dies erfordert neue Speicherlösungen, die es ermöglichen, Daten nahtlos zwischen...

Maschinen und Geräte mit KI noch intelligenter machen

Der Elektronikhersteller E.D.&A. setzt neuronale Netzwerke ein, um seine elektronischen Steuerungen intelligenter zu gestalten. Binäre neuronale Netzwerke sind für die Erkennung von Mustern sehr gut geeignet und können daher eingesetzt werden, um Probleme anders anzugehen.

News

→ MEHR