,allowExpansion)
KI-gestützte digitale Zwillinge für Wartung, Anomalieerkennung und Produktivität
Richtung intelligente Fertigung
Das enorme Datenvolumen, das von industriellen Maschinen erzeugt wird, bietet eine bedeutende Gelegenheit, neuen Geschäftswert zu erschließen. Durch die Nutzung der Möglichkeiten des Industrial Internet of Things (IIoT) und der Künstlichen Intelligenz (KI) können Unternehmen intelligente Ökosysteme schaffen, die nicht nur Maschinen überwachen und steuern, sondern auch proaktiv Prozesse optimieren, Kosten senken und Innovationen fördern.
Die entscheidende Rolle des digitalen Zwillings
Digitale Zwillinge sind virtuelle Darstellungen eines physischen Vermögenswerts, Prozesses oder sogar eines gesamten Systems. Diese Technologie fungiert als Brücke zwischen der physischen und der digitalen Welt und ermöglicht die Echtzeitüberwachung, Simulation und Steuerung. Durch die kontinuierliche Sammlung von Daten aus verbundenen Maschinen bieten Digitale Zwillinge eine dynamische und umfassende Sicht auf die Abläufe. Dies ermöglicht die Ableitung neuer Erkenntnisse aus den gesammelten Daten, die Aktivierung von Aktuatoren zur Durchführung von Aktionen in der realen Welt, die Automatisierung komplexer Prozesse und die Simulation von "Was-wäre-wenn"-Szenarien, um Reaktionen auf potenzielle Störungen zu testen, ohne die laufende Produktion zu beeinträchtigen.
Lieferung greifbarer Geschäftswerte
Die Integration von Digital Twins, IIoT und fortschrittlicher KI kann die Innovation in vielen Fertigungskontexten beschleunigen. Durch die Verbesserung der Benutzererfahrung für Betreiber, die Vorhersage von Anomalien zur Reduzierung von Abfall, die Optimierung von Prozessen zur Steigerung der Rentabilität und die Gewinnung neuer Werte aus bestehenden Maschinen ebnen diese Technologien den Weg für eine proaktive und effiziente Evolution der Branche. Der Ansatz von Reply verbessert nicht nur die operative Effizienz, sondern eröffnet auch neue Möglichkeiten für die Servitisation, bei der das Wertangebot über das physische Produkt hinausgeht und eine Reihe von vernetzten Dienstleistungen umfasst.
Modernisierung von Altsystemen durch Nachrüstung
Für ältere Maschinen, die oft über keine integrierte Konnektivität verfügen, bietet die Nachrüstung einen kostengünstigen Weg zur Integration in ein intelligentes IoT-Ökosystem. Durch die Aufrüstung älterer Geräte mit Sensoren und Konnektivitätsmodulen ist es möglich, wertvolle Daten zu extrahieren, die sonst ungenutzt bleiben würden. Diese Daten können dann für eine Vielzahl von Anwendungen verwendet werden, einschließlich der Fernaktualisierung von Software und Konfigurationen, der Sammlung von Telemetriedaten, der Überwachung von Alarmen und Fehlern sowie der Verfolgung des Energieverbrauchs.
KI für proaktive Abläufe nutzen
Während das Konzept des digitalen Zwillings seit Jahren in der Fertigungsindustrie diskutiert wird, hat die Einführung von künstlicher Intelligenz die Nutzung dieses Konzepts in verschiedenen Kontexten beschleunigt. Jetzt bietet die Konvergenz von KI mit dem Reichtum an Daten in Fabriken leistungsstarke Werkzeuge für fortgeschrittene Analysen.
Maschinenlernalgorithmen können autonom aus Daten lernen, um Muster zu identifizieren und Vorhersagen zu treffen, ohne dass eine explizite Programmierung erforderlich ist. Dies ist besonders wertvoll für Aufgaben wie die Anomalieerkennung, bei der das Ziel darin besteht, Ausreißer in Datenmustern zu identifizieren, die auf ein sich entwickelndes Problem hinweisen könnten, und die vorausschauende Wartung, die die Vorhersage potenzieller Ausfälle von Geräten umfasst, um eine präventive Wartung zu ermöglichen.
Eine weitere wichtige Anwendung ist die Kostenprognose, die die Schätzung zukünftiger Betriebskosten auf der Grundlage historischer Daten ermöglicht. Die inhärente Skalierbarkeit dieser Algorithmen stellt sicher, dass ihre Leistung mit zunehmenden Datenmengen verbessert wird, was zur Entdeckung neuer Muster und einer verbesserten Anpassungsfähigkeit führt. Die vorausschauende Natur dieser Modelle erleichtert den Übergang von reaktiven zu proaktiven Betriebsstrategien.
Einführung in Generative KI und autonome Agenten
Generative KI, einschließlich Technologien wie Retrieval-Augmented Generation (RAG)-Systemen und KI-Agenten, verbessert weiter die Fähigkeiten dieser intelligenten Ökosysteme. KI-Workflows ermöglichen es Menschen, Steuerungslogik zu definieren, die ein großes Sprachmodell (LLM) befolgen kann, um eine gegebene Anfrage zu lösen. RAG-Systeme sind eine spezialisierte Art von KI-Workflow, die Informationen aus einer dedizierten Wissensdatenbank abrufen können, um kontextualisierte und präzisere Antworten basierend auf geschäfts- oder projektspezifischen Daten zu liefern.
KI-Agenten stellen einen weiteren Sprung in der Autonomie dar. Im Gegensatz zu KI-Workflows können KI-Agenten unabhängig und iterativ die optimale Reihenfolge von Aktionen bestimmen, um ein bestimmtes Ziel zu erreichen, wobei sie auf eine Reihe verfügbarer Werkzeuge zurückgreifen. Diese dynamische und anpassungsfähige Struktur ermöglicht es, ein hohes Maß an Komplexität zu bewältigen.
Nachrüstung einer Legacy Pick-and-Place-Maschine
Die Pick-and-Place-Maschine wird verwendet, um elektronische Komponenten auf eine Leiterplatte (PCB) zu platzieren, und erfordert hohe Geschwindigkeit und extreme Präzision. Das Projekt umfasste die Ausstattung der Maschine mit Sensoren und die Anbindung an eine Cloud-Plattform. Ein benutzerdefiniertes Dashboard wurde entwickelt, um mit dem Digitalen Zwilling der Maschine zu interagieren, und bietet eine Echtzeitvisualisierung sowohl der Rohsensordaten als auch der abgeleiteten Kennzahlen, wie einem geschätzten Leistungswert, der durch ein lineares Regressionsmodell berechnet wurde.
Darüber hinaus wurde ein RAG-System implementiert, um eine konversationelle Schnittstelle für den Zugriff auf die umfangreichen Handbücher der Maschine bereitzustellen. Dies ermöglicht es den Bedienern, Fragen zu stellen und Schritt-für-Schritt-Anleitungen zu erhalten, einschließlich Zitationen. Das System unterstützt auch die Sprachinteraktion, was die Benutzerfreundlichkeit verbessert.
Die Architektur für diese Lösung nutzt eine cloudbasierte Plattform, wobei ein Feldgateway Telemetriedaten sammelt und diese über MQTT an einen Datenbroker überträgt. Die Daten werden dann sowohl über heiße als auch kalte Pfade für das Streaming in Echtzeit und die persistente Speicherung in einer spezialisierten Zeitreihendatenbank verarbeitet. Die RAG-Komponente wurde mit Azure AI Studio unter Verwendung eines GPT-4-Modells entwickelt, das auf der spezifischen Wissensbasis der Pick-and-Place-Maschine trainiert wurde. Diese Architektur ist so konzipiert, dass sie cloudunabhängig ist und die Möglichkeit bietet, mit gleichwertigen Diensten anderer Anbieter implementiert zu werden.
Das Generative Manufacturing Operations (GMO) Projekt
Das Projekt wurde durchgeführt, um den Prozess des 3D-Drucks von Metallteilen zu verbessern. Das Projekt hatte zum Ziel, die Druckerfahrung für eine EOS M 400-Maschine zu überwachen und zu verbessern, die Komponenten aus Metalllegierungen produziert. Ein zentrales Merkmal dieses Projekts ist ein ausgeklügeltes Anomalieerkennungssystem, das kostspielige Ausfälle verhindern soll, indem es Drucke identifiziert, die wahrscheinlich fehlerhaft sind.
Der digitale Zwilling befindet sich in diesem Fall auf einem Feldgateway, das Daten vom Drucker und seinen umgebenden Umweltsensoren liest, vorverarbeitet und modelliert. Dieser Ansatz identifizierte erfolgreich verschiedene Phasen des Druckprozesses, wie Ruhe, Heizung, Drucken, Abkühlen und Überhitzung. Regeln wurden dann basierend auf der Dauer dieser Phasen festgelegt; zum Beispiel wird eine verlängerte Überhitzungsperiode als potenzielle Anomalie gekennzeichnet. Das Anomalieerkennungsmodell erreichte eine geschätzte Genauigkeit von 70 % auf dem verfügbaren Datensatz.
Das Dashboard bietet einen umfassenden Überblick über den Druckprozess und integriert zwei Chatbots für ein RAG-System und einen KI-Agenten. Das RAG-System, das auf Amazon Bedrock Knowledge Bases basiert, ermöglicht es den Benutzern, Dokumentationen abzufragen. Der lokal eingesetzte KI-Agent ist mit Werkzeugen ausgestattet, um Aufgaben wie das Abrufen von Druckinformationen und das Berechnen des Energieverbrauchs durchzuführen. Der Agent entwickelt und führt autonom einen Plan aus, um Benutzeranfragen zu erfüllen, indem er verschiedene Ansätze durchläuft, bis er zu einer vollständigen Lösung gelangt. Die nächsten Entwicklungsstufen umfassen das erneute Training dieses Modells direkt auf den konvertierten ereignisbasierten Daten, um die Fähigkeiten der neuromorphen Hardware zu nutzen.
Concept Reply
Concept Reply ist auf die Forschung, Entwicklung und Validierung innovativer Lösungen im Bereich des Internets der Dinge (IoT) spezialisiert, mit einem besonderen Fokus auf die Automobil-, Fertigungs- und Smart-Infrastruktursektoren. Concept Reply wird als Experte für Testing und Qualitätssicherung anerkannt. Dank seiner spezialisierten Labore und eines internationalen Teams von Fachleuten ist das Unternehmen derzeit der vertrauenswürdige Partner für Qualitätssicherung der meisten führenden Banken Italiens und bietet umfassende Expertise in Innovationen und Lösungen im globalen Finanzdienstleistungsmarkt (sowohl funktional als auch technisch – Fintech), unterstützt durch Observatorien, Partnerschaften und Projekte.