Zum Hauptinhalt springen
Moderne IT-Infrastruktur

Moderne IT-Infrastruktur

Künstliche Intelligenz in der Smart Factory: Anforderungen an die PC-Hardware

Künstliche Intelligenz in der Smart Factory: Anforderungen an die PC-Hardware
logo-energyblue-3000px.png
Firma: Intel
Sprache: Deutsch
Größe: 2 Seiten
Erscheinungsjahr: 2020
Besonderheit: registrierungsfrei
Aktuell,
relevant und
hier zuerst!

Intelligente Fertigung und Wartung erhöhen Produktivität und Verfügbarkeit. Die Potenziale lassen sich allerdings nur mit leistungsfähiger Hardware realisieren.

In den Fabriken des Industrie-4.0-Zeitalters spielen nicht mehr Maschinen, sondern Daten die entscheidende Rolle. Pausenlos liefern Sensoren Informationen über Betriebsparameter wie Temperatur, Luftfeuchte, Drehmoment oder Vibrationen, die gespeichert und ausgewertet werden müssen. Angesichts der Menge und Komplexität der Daten, ist dies heute nur noch mit fortgeschrittenen Analysemethoden möglich, die auf Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) basieren. So lassen sich beispielsweise die Betriebszustände von Maschinen messen und Vorhersagen über deren Ausfallwahrscheinlichkeit treffen. Statt starrer Wartungsintervalle kommen Techniker dann nur noch gezielt bei Bedarf zum Einsatz, was nicht nur Kosten spart, sondern auch die Verfügbarkeit erhöht. Dieser Bereich, Predictive Maintenance genannt, ist derzeit Spitzenreiter, wenn es um die industrielle Anwendung von KI geht. Laut dem Marktforschungsunternehmen IoT Analytics entfiel 2018 knapp ein Viertel des Gesamtmarktes industrieller KI-Nutzung von rund 15 Milliarden US-Dollar auf Anwendungen in der vorausschauenden Wartung.

Für den industriellen Einsatz von Predictive Maintenance gibt es bereits viele Beispiele. So setzt etwa die Deutsche Bahn für die vorausschauende Wartung ihrer Weichen auf künstliche Intelligenz. Der Weichensensor des Münchner Startup Konux, der hier zum Einsatz kommt, überwacht die wichtigsten Funktionsparameter und den Energieverbrauch selbständig und führt eine Vorverarbeitung der Rohdaten durch. Diese Daten werden dann drahtlos an ein Backend-System übermittelt, wo sie mithilfe von Neuronalen Netzen und anderen Verfahren des Maschinellen Lernens ausgewertet werden. So lassen sich laut Hersteller Ausfallzeiten reduzieren und die Wartungskosten um ein Viertel senken.

Einer der Pioniere im Bereich Predictive Maintenance ist der Windkraftanlagen-Hersteller Siemens Gamesa Renewal Energy. Das Unternehmen hat bis heute nach eigenen Angaben mehr als 10.000 Windkraftturbinen mit jeweils mehr als 300 Sensoren ausgestattet. Diese liefern pro Tag über 200 Gigabyte an Daten an das Diagnosezentrum im dänischen Brande, wo sie unter anderem mit KI-basierten Analysemethoden ausgewertet werden. So können beispielsweise 99 Prozent aller Antriebsschäden korrekt vorhergesagt und ein Ausfall der Turbinen vermieden werden. Oft ist dazu nicht einmal ein Technikereinsatz notwendig. 85 Prozent aller eingehenden Alarme kann das Team innerhalb von zehn Minuten aus der Ferne lösen.

Auch thyssenkrupp Elevator, die Anfang 2020 an ein Investorenkonsortium verkaufte Aufzugssparte des Thyssenkrupp-Konzerns, nutzt Vorhersagemodelle und IoT-Daten für die vorausschauende Wartung. Mit der Cloud-basierten Predictive-Maintenance-Lösung „MAX“ verspricht der Hersteller, die Ausfallzeiten von Aufzügen um die Hälfte reduzieren zu können. Mithilfe von KI und maschinellem Lernen erkennt das System Probleme, bevor sie zu Schäden führen. Die daraufhin benachrichtigten Servicetechniker können gezielt die betroffenen Komponenten austauschen oder reparieren.

 

Künstliche Intelligenz in der Smart Factory: Anforderungen an die PC-Hardware

Inhaltstyp: Artikel
logo-energyblue-3000px.png