Ein bahnbrechender Wandel muss nicht auf Kosten konventioneller oder bestehender Betriebsmodelle gehen. Ein hervorragendes Beispiel, das die obige Aussage unterstreicht, ist die weit verbreitete Einführung der Digitalisierung in der Fertigungsindustrie. Das Ersetzen von Papier und physischen Gegenständen durch ihr digitales Gegenstück erleichterte die Speicherung historischer Datensätze und vereinfachte die Analytik durch die Zusammenarbeit mit Altsystemen. Die zunehmende Verbreitung künstlicher neuronaler Netze wird daher die Anwendung von Industrie 4.0-Geschäftsmodellen in der Fertigung erleichtern.
Die Industrie 4.0 bietet Unternehmen vielfältige Möglichkeiten, fortschrittliche Technologien zur Optimierung betrieblicher Abläufe zu nutzen. Technologien, die die digitale Konnektivität verbessern, die Entwicklung von cyber-physischen Systemen unterstützen, Analysen vorantreiben und die Automatisierung fördern, sind für die Anwendung von Industrie 4.0 entscheidend. Künstliche neuronale Netze befähigen digitale Systeme und KI-Anwendungen dazu, ohne menschliches Zutun intelligent zu funktionieren.
Was sind neuronale Netze? Eine kurze Beschreibung
Neuronale Netze sind ein Teilbereich der KI und entscheidend für die Anwendung von Deep-Learning-Algorithmen. Die Algorithmen neuronaler Netze spiegeln die Verhaltensmuster des menschlichen Gehirns wider. Durch die Integration neuronaler Netze in Computerprogramme und -systeme werden diese in die Lage versetzt, Muster zu erkennen und Daten zu analysieren, um Probleme zu lösen.
Neuronale Netze sind Algorithmen, die in einer Vielzahl von Anwendungen eingesetzt werden, darunter Regressionsmodelle für die Vorhersage von Werten, die Analyse von Text/Sprache, die Erkennung/Klassifizierung von Bildern, die Erkennung von Anomalien und die Mustererkennung. Ein neuronales Netz besteht aus einem Eingabeknoten, versteckten Knoten und einem Ausgabeknoten. Der Eingangsknoten nimmt Daten auf; im verborgenen Knoten findet die Berechnung statt, die am Ausgangsknoten eine vorhergesagte Ausgabe liefert.
Erste Schritte mit neuronalen Netzen in der Industrie 4.0
Die Integration neuronaler Netze beginnt mit der Analyse der Geschäftsmodelle der Industrie 4.0 und der zu ihrer Umsetzung erforderlichen Technologien, um dann zu ermitteln, wie diese verbessert werden können. Zu diesen Geschäftsmodellen gehören vorausschauende Wartung, datengesteuerte Anlagen- oder Prozessoptimierung, Validierung und Prüfung usw.
Verbesserung von Anwendungen zur vorausschauenden Wartung
Eines der Geschäftsmodelle der Industrie 4.0, die die Kosten für die Nutzung von Fertigungsanlagen gesenkt haben, ist die Anwendung von Modellen zur vorausschauenden Wartung, um Zeitpläne zu planen und Ausfallzeiten zu vermeiden. Vorausschauende Wartungsstrategien werden durch die Erfassung von Maschinennutzungsdaten und die Analyse dieser historischen Daten umgesetzt, um zukünftige Ausfälle vorherzusagen.
Heute gibt es Web- und mobile Anwendungen, die die für die Vorhersage von Wartungszeiträumen erforderlichen Daten analysieren. Obwohl diese Anwendungen die Zahl der Maschinenausfälle um etwa 70 % reduziert haben, kann durch die Integration von Algorithmen neuronaler Netze in Anwendungen für die vorausschauende Wartung noch mehr erreicht werden. Neuronale Netze können die Anwendung der vorausschauenden Wartung verbessern, indem sie den Datenanalyseprozess automatisieren und die Vorhersagegenauigkeit erhöhen.
ANN verbessern den Vorhersageprozess, indem sie Einblicke in die Ursachenfaktoren von Ausfällen, den spezifischen Zeitrahmen der zu erwartenden Ausfälle und den besten Zeitpunkt für die Durchführung von Inspektionen liefern. Die Vorhersagen, die neuronale Netze liefern, ermöglichen es Unternehmen, proaktive Wartungssysteme einzuführen, die die Ausfallraten um 90 % senken können.
Verbesserung der Anwendung von datengesteuerten Optimierungsmodellen
Datengesteuerte Analysen verbessern die Entscheidungsfindung in einer Einrichtung. So wird beispielsweise durch die Kapazitätsplanung oder die Planung der Arbeitszyklen von Technikern sichergestellt, dass eine Anlage über die nötigen Ressourcen verfügt, um Aufträge innerhalb bestimmter Fristen auszuführen. Herkömmliche Simulationsmodellierungssoftware kann zur Entwicklung optimierter Pläne verwendet werden, die historische Datensätze nutzen. In Szenarien, in denen komplexe Fragen wie die Wahl der schnellsten Produktionslinie zwischen zwei Linien, die von mehreren Betriebsfaktoren beeinflusst werden, beantwortet werden müssen, werden jedoch mehr Rechenressourcen benötigt. Beispiele für betriebliche Faktoren sind sequenzabhängige Rüstzeiten, Ressourcenverfügbarkeit und die Art der Arbeit, die sich auf die Produktionszeit jeder Linie auswirken kann.
Zwar kann ein Simulationsmodell dieses komplexen Prozesses erstellt werden. Der Arbeitsaufwand für die Entwicklung der komplexen Logik, die jeden Faktor erfasst, der beide Produktionslinien beeinflusst, ist beträchtlich. Neuronale Netze bieten eine schnellere, automatisierte Lösung für die Entwicklung der Regeln oder der Logik zur Lösung des komplexen Problems der Auswahl der schnelleren Produktionsspanne von zwei Produktionslinien. In diesem Fall ersetzt ein neuronales Netz die Notwendigkeit, wochenlang eine komplexe Logik zu entwickeln, und automatisiert den datengesteuerten Entscheidungsprozess.
Andere Bereiche, in denen neuronale Netze die datengesteuerten Optimierungsgeschäftsmodelle verbessern, umfassen die Bereitstellung von Einblicken in komplexe Lieferkettenvorgänge und die Vorhersage der Auswirkungen der Nachfrage auf die verfügbaren Ressourcen. Hier können neuronale Netze in Software für die Lieferkettenplanung, Simulationsmodellierung oder Bedarfsprognosen integriert werden, um den Analyseprozess zu beschleunigen.
Validierung und Prüfung
Etwa 70 % der DIY-IoT-Implementierungsprozesse scheitern an der Anwendung unzureichender Validierungs- und Testverfahren vor der Implementierung. Obwohl sich diese Statistik auf die IoT-Implementierung konzentriert, wirkt sich eine schlechte Validierung auch auf die Ausführung von Produktions- oder Betriebsplänen im gesamten Industriesektor aus. Aus diesem Grund sind Validierung und Tests ein zentrales Geschäftsmodell oder Konzept der Industrie 4.0.
Simulationsmodelle und der Digitale Zwilling sind die digitalen Transformationswerkzeuge, die Unternehmen einsetzen können, um Ideen vor der Umsetzung zu validieren. Diese Lösungen bieten virtuelle Darstellungen physischer Systeme und damit eine sichere Umgebung für die Validierung vorgeschlagener Betriebsstrategien. Neuronale Netze sind ein Mittel zur Verbesserung der Anwendungsmöglichkeiten der oben genannten digitalen Transformationswerkzeuge und können auch von der simulierten Umgebung profitieren, die diese Werkzeuge bieten.
Neuronale Netze können beispielsweise die komplexe Logik ersetzen, die für die Entwicklung genauer Modelle erforderlich ist, die hochpräzise Vorhersagen über die Leistung einer Strategie liefern. Umgekehrt liefert das Simulations- oder digitale Zwillingsmodell Trainingsdaten, die zum Trainieren des neuronalen Netzes verwendet werden können, um seine Vorhersagekraft zu verbessern.
Was hindert Unternehmen daran, neuronale Netze zu nutzen?
Der Einsatz neuronaler Netze zur Verbesserung von Industrie 4.0-Geschäftsmodellen verbessert die Pläne, erhöht die Produktivität und verlängert die Lebensdauer der Betriebsmittel, was die Rentabilität sichert. Trotz dieser Vorteile sind die Unternehmen im Industriesektor nach wie vor vorsichtig, wenn es darum geht, mehr zu essen als sie kauen können. Zu den Gründen für diese vorsichtige Herangehensweise an die Einführung neuronaler Netze gehören;
- Fehlen der richtigen Talente und Ausbildung
- Verwirrung bei der Auswahl einer Lösung aus einer Fülle von digitalen Lösungen
- Kurzfristiges Denken zum Schutz des Status quo
Die dargelegten Gründe für die Vorsicht sind alle gültig, da verschiedene digitale Transformationslösungen, deren Verwaltung ein unterschiedliches Maß an Fachwissen erfordert, ständig um die Aufmerksamkeit der Führungsebene buhlen. Im Gegensatz zu anderen Lösungen, bei denen für eine erfolgreiche Einführung erhebliche Anstrengungen erforderlich sind, lassen sich neuronale Netze mit Leichtigkeit integrieren.
Lösungen wie die Simio-Simulationssoftware und die Software für die Modellierung des digitalen Zwillings integrieren die Verwendung von neuronalen Feedforward-Netzen, und die Benutzer können die Vorteile dieser Software auch ohne jegliche Programmierkenntnisse nutzen. Endnutzer können Simio auch zur Entwicklung synthetischer Trainingsdaten nutzen, um ihre neuronalen Netzalgorithmen zu trainieren. Schließlich bietet ONNX den Nutzern ein Open-Source-Dateiformat für die einfache Übertragung von Algorithmen zwischen verschiedenen Anwendungen.
Unternehmen können die Vorteile neuronaler Netze nutzen, indem sie die richtige Technologie einsetzen, die ihre Verwendung unterstützt und sie in die Lage versetzt, ihre operativen Ziele zu erreichen. Durch Investitionen in diese technologischen Lösungen können sich Führungskräfte auf die betrieblichen Herausforderungen von morgen vorbereiten und gleichzeitig die Herausforderungen von heute bewältigen.