Produktionsdaten sind eine zentrale Voraussetzung für den Einsatz von Machine Learning in der Fertigung. Doch oft fehlt der einfache Zugang zu den Daten. Eine schlanke IoT-Lösung ermöglicht die strukturierte und sichere Erfassung von Maschinendaten – ohne tiefgreifende Eingriffe in bestehende Systeme und mit klarem Fokus auf die spätere Nutzung durch Künstliche Intelligenz.
IoT-Experte und Mitentwickler der Lösung ist die Perinet GmbH, die auf Basis von Standards eine durchgängige Infrastruktur von der Feldebene bis zur IT (auch in der Cloud) verwirklicht. Sie bietet damit eine direkte, smarte und sichere Anbindung von Sensoren und Aktoren an Cloud, Internet und Firmen-IT.
Die Herausforderung: Datenzugang und Integration
Eine der wichtigsten Aufgaben in Industrieunternehmen ist die stetige Optimierung der Produktionsprozesse. Sie ist der Grund für die Digitalisierung, denn moderne digitale Technologien können kontinuierlich Daten aus den einzelnen Maschinen eines Industriebetriebs gewinnen. Anschließend werden diese Daten analysiert – nicht nur mit einfachen statistischen Methoden, sondern mit Hilfe Künstlicher Intelligenz. Doch in der Praxis ist das nicht so einfach wie es klingt. Viele Unternehmen stoßen an Grenzen.
- Es fehlt eine einheitliche Datenbasis, da die vorhandenen Maschinen heterogen sind. Sie kommen die von verschiedenen Herstellern und besitzen teils analoge Steuerungen, teils jedoch bereits digitale Schnittstellen.
- Der Zugang zu den relevanten Maschinendaten erfordert häufig eine individuelle Programmierung und eine tiefgreifende IT-Integration. Dies bewirkt hohen Kosten und lange Projektlaufzeiten.
In vielen Fällen gibt es zudem Sicherheitsbedenken, da die OT (Operational Technology) von Industriesystemen nach außen abgeschlossen ist. Doch digitale Technologien erfordern in aller Regel eine Verbindung mit einem externen Netzwerk.
Voraussetzungen für Machine Learning in der Fertigung
Deshalb suchen Industrieunternehmen nach Lösungen, mit denen sie Produktionsdaten aller Art sicher und ohne tiefgreifende Eingriffe in die bestehende Infrastruktur erfassen können. Dabei hat sich der Fokus in den letzten Jahren darauf verschoben, die Voraussetzung für den Einsatz von Machine Learning in der Fertigung zu schaffen.
Machine Learning oder maschinelles Lernen ist eine Form von künstlicher Intelligenz, die auf Basis großer Datenmengen selbstständig Muster und Zusammenhänge erkennt und daraus Entscheidungen oder Vorhersagen ableitet. Dafür nutzt Machine Learning in der Fertigung verschiedene Verfahren, zum Beispiel
- Klassifikationsmodelle zur Fehlererkennung,
- Regressionsanalysen zur Vorhersage von Energieverbräuchen oder
- Clustering-Verfahren zur Mustererkennung in der Produktion.
Eine ideale Lösung bindet bestehende Maschinen mit minimalem Aufwand ein, liefert Daten in strukturierter Form und berücksichtigt IT-Sicherheit. Perinet und Zentinel MDS haben für ihre Kunden eine speziell angepasste Lösung entwickelt.
Herausforderungen im Überblick
- Heterogene Maschinenlandschaft ohne einheitliche Schnittstellen
- Hoher Aufwand für individuelle Datenanbindung und IT-Integration
- Sicherheitsbedenken bei der Vernetzung von OT-Systemen
- Fehlende Infrastruktur für strukturierte Datenerfassung
Die Lösung: Integration von Machine Learning in die Fertigung
Die Lösung ermöglicht eine kontinuierliche Datenerfassung mit minimalen Änderungen an Netzwerk und Infrastruktur. Sie verzichtet auf komplexe Softwareinstallationen und kommt ohne zusätzliche Lizenzkosten aus. Zudem ist die Netzwerkintegration einfach, da bestehende Systeme nicht ersetzt oder verändert werden. Die Kommunikation ist durchgehend verschlüsselt mit mTLS, so dass die Lösung den Sicherheitsanforderungen industrieller Anwendungen gerecht wird.
Komponenten für die Datenerfassung
Das System kombiniert Single Pair Ethernet (SPE), einen IoT-Adapter, einen Edge-Server sowie eine SQL-Datenbank und ein Dashboard.
Der ZentNode-Adapter ist eine intelligente Netzwerklösung zur Datenerfassung für Machine Learning in der Fertigung. Er eignet sich zur Erfassung von Produktionskennzahlen (OEE, Stückzahlen, Ausschuss, Stillstände), Energieverbräuchen sowie analogen Prozesswerten. Er verarbeitet die Daten lokal und überträgt sie verschlüsselt per Single Pair Ethernet (SPE) an ein IT-System, einen Edge-Server oder einen MQTT-Broker.
Der ZentEdge-Server ist ein robuster Edge-Computer, der die Maschinendaten aus ZentNode sammelt, speichert und verarbeitet. Sie werden in der SQL-Datenbank von ZentEdge gespeichert und über Standard-IT-Protokolle für Ihre bestehenden Systeme zugänglich gemacht. ZentEdge dient als Brücke zwischen Betriebs- (OT) und Informationstechnologie (IT) und nutzt dafür Single Pair Ethernet (SPE).
Single Pair Ethernet (SPE) übernimmt die Kommunikation zwischen den einzelnen Komponenten. Es ermöglicht die Datenübertragung mit 100 Mbps und die Stromversorgung über ein einziges Kabel, wodurch der Installationsaufwand erheblich verringert wird. SPE macht komplexe Gateways überflüssig und erlaubt die Integration industrieller Geräte in IT-Netzwerke mit Standardprotokollen wie HTTPS und MQTT oder über eine REST-API. Die gesamte Datenübertragung ist zudem durch mTLS-Zertifikate abgesichert.
Daten als Hebel für Optimierung
Die strukturierte Erfassung von Produktionsdaten für Machine Learning in der Fertigung erlaubt es Unternehmen, zahlreiche Folgeprozesse zu optimieren. Diese Daten bilden die Grundlage für maschinelles Lernen und lassen sich in zahlreichen Anwendungsfällen nutzen.
Ausfälle vorhersagen. Wenn zum Beispiel Maschinenvibrationen oder Temperaturmuster auf einen Verschleiß hinweisen, kann die Instandhaltung rechtzeitig eingreifen, bevor es zu einem Stillstand kommt.
Qualitätsprobleme erkennen. Mit Machine Learning lassen sich in der Fertigung Fehlerbilder und Abweichungen im Prozess früher erkennen und gezielter analysieren. Das ermöglicht es, Korrelationen zwischen Prozessparametern und Produktqualität aufzudecken.
Materialfluss steuern. Eine detaillierte Datenbasis erlaubt es, Engpässe im Materialfluss zu erkennen und Blockaden entgegenzusteuern. Dadurch erhöhen sich die Liefertreue und Stillstandszeiten im Produktionsfluss werden seltener.
Planungsprozesse verbessern. Die gewonnene Transparenz hilft dabei, Engpässe früher zu erkennen und die Feinplanung auf Basis aktueller Betriebsdaten anzupassen.
Insgesamt erhalten Produktionsverantwortliche durch Machine Learning eine Grundlage für fundierte Entscheidungen. Sie können auf Veränderungen praktisch in Echtzeit reagieren, wodurch sie im Tagesgeschäft flexibler werden. Zusätzlich entsteht ein wertvoller Datenpool, der für Simulationen oder langfristige Trendanalysen genutzt werden kann.
Das Ergebnis: Grundlage für datengetriebene Innovationen
Die Lösung ermöglicht es dem Unternehmen, datenbasierte Prozesse im laufenden Betrieb zu schaffen. Sie bietet einen Einstieg in die Nutzung von KI, ohne dass große Vorinvestitionen oder IT-Ressourcen erforderlich sind. Die gewonnenen Erkenntnisse lassen sich auf unterschiedliche Produktionsbereiche übertragen.
Die Vorteile liegen auf der Hand: Effizientere Abläufe, geringere Kosten und ein höherer Reifegrad der Produktion. Gleichzeitig entsteht damit die Grundlage, um weitere datengetriebene Innovationen zu realisieren. Dazu gehören digitale Zwillinge, automatisierte Prozesssteuerung und die Integration mit ERP-Systemen wie SAP S/4HANA.
Auf dieser Basis lassen sich perspektivisch weitere Funktionen integrieren, etwa zur selbstlernenden Prozessoptimierung oder zur Anbindung an externe Datenquellen wie Lieferketteninformationen oder Kundenanforderungen. Das macht das System zu einer tragfähigen Lösung für mittel- und langfristige Digitalisierungsstrategien.
Ergebnisse im Überblick
- Reibungslose Datenerfassung ohne Eingriff in die Maschinen
- Hohe Sicherheit durch verschlüsselte Kommunikation
- Bereitstellung strukturierter Daten für Machine Learning
- Flexible Erweiterbarkeit für weitere digitale Anwendungen
