vollständig autonomer Betrieb

In einem vollständig autonomen Betrieb könnte die CPU Aufgaben des Gehirns übernehmen und damit Kapazitäten für Aufgaben freisetzen, bei denen KI keine Anwendung findet. Laurent – Adobe Stock

Es ist kaum vorstellbar, welche Kräfte an den 25 Tonnen Glasfaser eines 85 Meter langen Rotorblatts moderner Windkraftanlagen wirken. Und unvorstellbar, was passiert, wenn etwas schieflaufen würde. Um auf Nummer Sicher zu gehen, wird deshalb in der Produktion jede Faser der Rotoren getestet.

Dafür braucht es eine aufwendige Qualitätsprüfung. In den Rotorblättern dürfen keine Brüche, Verdrehungen, Materialinhomogenitäten oder sonstige Schadstellen vorhanden sein. Das könnte zu Ermüdungsbrüchen führen. Und diese kündigen sich nicht – wie bei Metallen durch Risse an – sondern es kommt zu großflächigen Abrissen, die das ganze Rotorblatt zerstören. Vermeiden sollen das Ultraschall-Scans der inneren Struktur. Die bisherige menschliche Inspektion nimmt jedoch viel Zeit in Anspruch. So benötigen Inspektoren bis zu sechs Stunden für ein Blatt am Werk. Wenn sie dabei ermüden, kann dies zu Fehler führen.

Produktionsunterstützung durch Autonomie in der Inspektion

Jetzt bekommen die Inspektoren intelligente Hilfe, denn Künstliche Intelligenz (KI) unterstützt zunehmend die industrielle Produktion. Dabei sind KI-Technologien aus Sicht der Industrie als Methoden und mehrstufiges Verfahren zu verstehen:

  • Die Umwelt wahrnehmen
  • das Wahrgenommene verarbeiten
  • selbständig Probleme lösen
  • neue Lösungswege finden
  • Entscheidungen treffen
  • aus Erfahrung lernen
  • dadurch bei Aufgaben besser werden und handeln.

Das können technische Systeme schon heute – dank KI.

Beim KI-Einsatz steht Autonomie im Vordergrund – vor allem bei industriellen Vorgängen, die heute noch viel kognitive Leistungsfähigkeit benötigen. Zukünftig soll der Mensch stärker in seinem Handeln unterstützt werden und weniger in ähnliche oder sich wiederholende Abläufe eingreifen müssen.

Die Vorteile liegen auf der Hand: Autonomie senkt die Kosten, spart Zeit, verbessert die Qualität und erhöht die Robustheit industrieller Prozesse. Gleichzeitig ermöglicht Autonomie aber auch, Produktionsabläufe von Grund auf neu zu gestalten, die eigenen Produkte und Dienstleistungen durch oder mit KI anzureichern und neuartige Geschäftsmodelle zu implementieren. Dabei ist es unabdingbar, nur solche KI-bedingten Entscheidungsfindungen zuzulassen, die in vorgegeben Systemgrenzen ablaufen.

Bildergalerie:„Diese 6 Trends prägen 2019 die Künstliche Intelligenz”
1. KI ist nicht nur für Datenwissenschaftler gedacht: 
Ingenieure und Wissenschaftler, nicht nur Datenwissenschaftler, werden die Einführung von Deep Learning vorantreiben. Nicht nur die Offenheit für neue Techniken, sondern auch wirtschaftliche Vorteile, die Künstliche Intelligenz und Automatisierungstools versprechen, werden den zunehmenden Einsatz von KI durch Ingenieure und Wissenschaftler vorantreiben. 
Neue Workflow-Tools vereinfachen und automatisieren die Daten-Synthese, das Labeling, die Vorverarbeitung und Bereitstellung von Daten. Diese Tools erweitern auch die Bandbreite der Anwendungen von Bild- und Computer-Vision bis hin zu Zeitreihen-Daten wie Audio, Signalverarbeitung und IoT, So wird KI abseits der Datenwissenschaft zum Beispiel in unbemannten Luftfahrzeugen (UAV) eingesetzt werden, um mithilfe von KI Objekte in Satellitenbildern zu erkennen, oder bei Krebsvorsorgeuntersuchungen zur Früherkennung von Krankheiten.
2.	Industrielle Anwendungen erfordern Spezialisierung 
Industrielle Anwendungsmöglichkeiten werden zu einem wichtigen Einsatzfeld für KI, erfordern aber auch eine größere Spezialisierung. Damit IoT- und KI-getriebene Anwendungen, wie Smart Cities, Predictive Maintenance und Industry 4.0 von visionären Konzepten zur Realität werden, müssen einige Kriterien erfüllt sein. Sicherheitskritische Anwendungen verlangen beispielsweise nach einer höheren Verlässlichkeit und Verifizierbarkeit. Wohingegen fortschrittliche mechatronische System Designansätze benötigen, die mechanische, elektrische und andere Komponenten integrieren. 
Eine weitere Herausforderung ist, dass diese spezialisierten Anwendungen wie zum Beispiel Systeme zur Erkennung von Überhitzung bei Flugzeugtriebwerken oft von dezentralen Entwicklungs- und Serviceteams entwickelt und verwaltet werden. Sie sind somit nicht unter der IT zentralisiert.
3.	Interoperabilität :
Für den Aufbau einer umfassenden KI-Lösung ist die Zusammenarbeit von verschiedenen Systemen, Programmen oder Plattformen essentiell. Die Realität ist, dass es kein einzelnes Framework gibt, das die besten Lösungen für alle Anwendungsbereiche der KI bieten kann. Derzeit konzentriert sich jedes Deep Learning Framework auf einige wenige Anwendungen und Produktionsplattformen, während effektive Lösungen Teile aus mehreren verschiedenen Workflows zusammenführen müssen.
Dies erzeugt Reibung und reduziert die Produktivität. Diesem Problem nehmen sich Unternehmen wie ONNX.ai an. Sie bieten eine Umgebung, in der Entwickler, das beste Werkzeug frei wählen, ihre Modelle einfacher teilen und ihre Lösungen auf einer breiten Palette von Produktionsplattformen einsetzen können.
4.	Cloud Computing: 
Gerade Public-Clouds werden zunehmend als Host-Plattform für KI genutzt. Sie werden sich weiterentwickeln, um die Komplexität zu reduzieren und werden die Abhängigkeit von IT-Abteilungen verringern. 
Leistungsstarke GPU-Instanzen, flexible Speicheroptionen und produktionsreife Containertechnologien sind nur drei Gründe, warum KI-Anwendungen zunehmend Cloud-basiert sind. Für Ingenieure und Wissenschaftler erleichtert die Cloud-basierte Entwicklung die Zusammenarbeit und ermöglicht die bedarfsgerechte Nutzung von Computerressourcen, anstatt teure Hardware mit begrenzter Lebensdauer zu kaufen. Cloud-, Hard- und Softwareanbieter erkennen jedoch, dass diese Technologieplattformen für Ingenieure und Wissenschaftler oft schwierig einzurichten und in ihren Entwicklungsabläufen zu nutzen ist.
5.	Edge-Computing: 
Edge-Computing wird KI-Anwendungen in Szenarien ermöglichen, in denen die Verarbeitung lokal erfolgen muss. Edge-Computing für leistungsstarke, immer komplexere KI-Lösungen in Echtzeit wird durch die Fortschritte bei Sensoren und energiesparenden Computerarchitekturen möglich gemacht. Gerade für die Sicherheit in autonomen Fahrzeugen, die ihre Umgebung verstehen und davon ausgehend Verkehrssituationen in Echtzeit bewerten müssen, wird Edge-Computing von entscheidender Bedeutung sein.
6.	Komplexität erfordert eine stärkere Zusammenarbeit :
Der zunehmende Einsatz von Machine- und Deep-Learning in komplexen Systemen wird viel mehr Mitarbeiter und eine stärkere Zusammenarbeit erfordern. Datenerhebung, -synthese und -kennzeichnung erhöhen den Umfang und die Komplexität von Deep-Learning-Projekten und erfordern größere, dezentralisierte Teams. 
System- und Embedded-Ingenieure benötigen Flexibilität bei der Bereitstellung von Inferenzmodellen in Rechenzentren, Cloud-Plattformen und Embedded-Architekturen wie FPGAs, ASICs und Mikrocontrollern. Zusätzlich müssen sie über Fachwissen in den Bereichen Optimierung, Energiemanagement und Wiederverwendung von Komponenten verfügen. Ingenieure, die Inferenzmodelle entwickeln, müssen diese Informationen zusammenführen. Sie benötigen Werkzeuge, um die ständig wachsende Menge an Trainingsdaten zu bewerten und zu verwalten sowie für das Lifecycle-Management der Inferenzmodelle, die sie an Systemingenieure weitergeben.

Die Stufen 0 bis 2 des autonomen Handelns

Die Kategorisierung, die den Grad des autonomen Handelns bestimmt, hängt von der Selbständigkeit ab, mit der ein System komplexe Situationen automatisiert und selbstlernend bewältigen kann.

Die Kategorisierung, die den Grad des autonomen Handelns bestimmt, hängt von der Selbständigkeit ab, mit der ein System komplexe Situationen automatisiert und selbstlernend bewältigen kann. Plattform Industrie 4.0

Doch wie stark sind autonome Prozesse in der industriellen Automation ausgeprägt? Autonom ist hierbei ein Prozess, der vom Menschen unabhängig Funktionen ausführt. Der Menschen gibt die Systemgrenze und eine Ergebniserwartung vor. Die erreichte Autonomie wird in 6 möglichen Autonomiestufen sichtbar. Diese ordnen den Umfang des autonomen Handelns und der Autonomie vom Menschen ein, sowie die Interaktion mit dem Umfeld und die Verantwortung für die Entscheidungen.

Zurück zum Rotorblatt: Die bisherige Qualitätskontrolle durch optisches Scanning ist eine rein menschliche Inspektion. Sie hat noch keinen Bezug zu KI und ist kein autonomer Vorgang und entspricht somit der Autonomie-Stufe 0.

Eine geeignete Trainingsphase, zum Beispiel durch Machine Learning (ML), kann KI Systeme allerdings auf bestimmte Fragestellungen hin trainieren. Fehler in der Flügelstruktur lassen sich so in ca. 80 % der Blattfläche komplett ausschließen. Menschliche Inspekteure kontrollieren lediglich den Rest. Das erhöht die Inspektionsgeschwindigkeit und senkt die Durchlaufzeiten in der Fertigung.

In Autonomie-Stufe 1 assistiert also das Inspektionssystem den Bedienenden beim Ultraschall-Scanning der Rotorblätter. Durch Ausschluss von „false negatives“ weist das KI-System den menschlichen Inspektor auf mögliche noch zu klärende Fehlerstellen hin. Der Mensch muss nur noch einen kleinen Oberflächenanteil kontrollieren und entscheidet danach, ob an diesen Stellen Reparaturschritte notwendig sind. Die Assistenz vermeidet Ermüdungserscheinungen, erhöht die Fertigungskapazität und verringert später auftretende Schadensfälle.

In Autonomie-Stufe 2 listet das KI-unterstützte Beobachtungssystem die Fehlerstellen selbst auf, passt seine Scangeschwindigkeit der Oberflächenbeschaffenheit an und lernt während der Durchführung. Der Anwender weist, in Zusammenarbeit mit KI-Profis, dem neuronalen lernenden Netz neue Fehlerbilder zu. So verbessern sie die Präzision weiter, mit dem Ziel „false negatives“ auszuschließen und den menschlichen Inspektor auf mögliche noch zu klärende Fehlerstellen hinzuweisen. Menschlicher Eingriff wird somit immer weniger nötig und die Mitarbeitenden sind von monotonen Aufgaben befreit. Sie können sich Aufgaben widmen, die eher ihrer Qualifikation des qualifizierten Entscheiders entsprechen. Das beschriebene Inspektionssystem wird bereits angewendet.

Die Stufen 3 bis 5 des autonomen Handelns

Zukünftig ließe sich bei diesem Qualitätssicherungssystem auch höhere Autonomie-Stufen erreichen, etwa in Kombination mit einem weiteren System, welches automatisch die entdeckten Fehler repariert. Dazu würde das optische System selbständig die Fehlerpositionen an einen Reparaturroboter übermitteln. Zudem könnte es die Art der Schäden melden, zum Beispiel deren Ausdehnung oder Tiefe, und somit empfehlen, wie der Schaden zu reparieren ist.

In Autonomie-Stufe 3 würden dafür bekannte Reparaturverfahren unter Kontrolle menschlicher Fachleute zur Anwendung kommen. Durch zusätzliche Lernphasen, auch während des Betriebs, könnte dann das Gesamtsystem zu einem autonomen Herstellungs-Inspektions-Reparatursystem weiterentwickelt werden. Diese würde eine Fehlererkennung im Legeprozess der Glasfibermatten besitzen und bereits eine Korrektur bei der Herstellung erzeugen. Solche Systeme wären dann der Autonomie Stufe 4 zuzuordnen. Der Mensch würde nur noch in Ausnahmesituationen eingreifen.

Ist das Gesamtsystem zudem in der Lage, die Fehlererkennung in allen Herstellungsphasen zu leisten oder auch auf andere Materialien zu transferieren, ohne die Notwendigkeit einer menschlichen Kontrolle, könnte dies ein System der Autonomie-Stufe 5 darstellen.

Die Rolle des Menschen

Autonomie-Stufen können den generellen Zustand eines Systems beschreiben. Sie können aber auch verwendet werden, um den angestrebten Zustand eines Systems in Zukunft zu formulieren.

Autonomie-Stufen können den generellen Zustand eines Systems beschreiben. Sie können aber auch verwendet werden, um den angestrebten Zustand eines Systems in Zukunft zu formulieren. Plattform Industrie 4.0

Die in dem Anwendungsfall angewandte Kategorisierung stammt aus einer Zusammenarbeit der Plattform Industrie 4.0, ihren Arbeitsgruppen, der Plattform Lernende Systeme sowie der Begleitforschung zum Technologieprogramm Smart Service Welt II des BMWi. Dabei bilden die Rolle des Menschen und der Umfang der automatisierten Aufgaben im Wertschöpfungsprozess die Grundlage der Autonomiestufen.

So beschreibt die Autonomie-Stufe 0 den Betrieb einer industriellen Produktion ohne KI-basierte Automatisierung. Der Mensch hat die volle Kontrolle und Verantwortung, wobei sogar eine umfangreiche, einfache Automatisierung vorhanden sein kann. Dagegen beschreibt Stufe 5 einen vollständig autonomen Betrieb der Produktion unter KI-Führung. Das KI-System übernimmt die gesamte Entscheidungsfindung und Ausführung. Die Stufen 1 bis 4 beschreiben dementsprechend die Abstufungen dazwischen.

Autonomie-Stufen können den generellen Zustand eines Systems beschreiben sowie dazu verwendet werden, um den angestrebten Zustand eines Systems in Zukunft zu formulieren. Um eine gewisse Autonomie-Stufe zu erreichen, benötigt man Intelligenz. Beispielsweise erfordert der Schritt von Stufe 2 zu Stufe 3, dass ein System in der Lage ist, seine Umgebung ausreichend wahrzunehmen und aus diesen Wahrnehmungen entsprechende Schlüsse zu ziehen. Bausteine hierfür können z.B. zusätzliche Sensorik oder maschinelles Lernen zur Generierung entsprechender Alarmregeln im Automatisierungssystem sein.

Diese basiert auf Erfahrungswissen und daher erscheinen KI-Technologie sehr gut geeignet, entsprechende Fähigkeiten bereitzustellen.

Wie die Autonomiestufen bei Robotern aussehen, erfahren Sie auf der nächsten Seite.

Seite 1 von 212