Künstliche Intelligenz

Tragende Strukturen werden typischerweise in Bezug auf relevante Lastfälle entworfen, wobei statische Formen und vorgegebene Materialeigenschaften angenommen werden, die während des Entwurfs und der Materialauswahl ausgewählt werden. Neue Technologien, die das Design von Strukturen ermöglichen, die lokale Eigenschaften im Betrieb als Reaktion auf Lastwechsel verändern könnten, würden zusätzliche Gewichtsersparnispotenziale schaffen und somit Leichtbau und Nachhaltigkeit unterstützen. Materialien mit solchen Fähigkeiten bestehen aus Netzwerken mit zahlreichen aktiven Zellen, die eine Erfassungs-, Signal- und Datenverarbeitungs-, Kommunikations- und Aktuierungs-/Stimulationsfähigkeit bereitstellen, die adaptronische Strukturen bilden. Ein Beispiel für ein solches Material ist eine spezielle Klasse von Polymeren, die in der Lage sind, ihre Elastizität basierend auf dem Einfluss von optischen, thermischen oder elektrischen Feldern zu ändern. Ein zu lösendes Problem in Bezug ...

In vielen Einsatzbereichen müssen Menschen auf die Sicherheit von Drahtseilen vertrauen, weshalb mögliche Schäden zuverlässig und rechtzeitig erkannt werden müssen. Die hierfür notwendigen Überprüfungen werden von Sachverständigen durchgeführt, was das Risiko nicht erkannter Schäden beinhaltet. Damit diese keine Unfälle verschulden, werden Drahtseile oft verfrüht getauscht, was vermeidbare Kosten erzeugt. Das in diesem Beitrag vorgestellte Projekt MOBISTAR soll Fehler im Prozess der Instandhaltung und Überprüfung weiter reduzieren. Das System nutzt zwei unterschiedliche Messarten, die mit einer selbstlernenden Convolutional Neural Networks (CNN) Auswertungssoftware gekoppelt sind, um so zuverlässiger und genauer die Ablegereife von Seilen beurteilen zu können.

Komponenten in industriellen Anlagen stehen miteinander in einer Vielzahl von physischen und virtuellen Abhängigkeiten. Wir stellen ein System vor, welches diese Abhängigkeiten - physischer, funktionaler, virtueller und regulativer Natur sowie bezüglich des Laufzeitverhaltens einer Komponente - für Anwender intuitiv sichtbar macht und ihnen ermöglicht, Abfragen zu den Komponenten und ihren Interaktionen und Interdependenzen zu stellen. Die vorgestellte Herangehensweise und unsere Prototypen basieren auf relationalen Informationsmodellen, die diese Informationen für Nutzerschnittstellen aufbereiten und einfach zugänglich machen sowie einer Mixed Reality Schnittstelle, um Abhängigkeiten zwischen Komponenten sowie Abfrageresultate zu visualisieren. Dabei eignet sich unser Ansatz nicht nur für bereits digitalisierte „schlaue“ Komponenten, sondern auch für „dumme“ Gegenstände wie Böden, Ablageplatten und -fächer, ihren Materialien und die bearbeiteten Werkstücke ...

Presslinien führen einen mehrstufigen Umformprozess durch, der in der Praxis weitestgehend als Blackbox betrieben wird. Erst am Ende der Linie findet eine Qualitätskontrolle und gegebenenfalls eine Anpassung der Anlagenparameter statt, sollte ein Fehler aufgetreten sein. Im Forschungsprojekt SmartPress wird ein System entwickelt, das mithilfe bildgebender Sensorik Informationen über die aktuelle Platine aus den einzelnen Prozessstufen extrahiert. So werden z. B. Daten über Ziehränder mit dem Wissen über den aktuellen Systemzustand (z. B. aktuelle Haltekräfte) kombiniert. Ein neuronales Netz bildet die hochkomplexen Zusammenhänge zwischen Anlagenparametern und Produkteigenschaften ab. Auftretende Veränderungen an den Platinen werden so im laufenden Prozess erkannt und Anlagenparameter entsprechend produktindividuell angepasst.

Technologischer Fortschritt ermöglicht einerseits Chancen für die Einführung neuer Geschäftsmodelle, eröffnet jedoch andererseits auch neue Wege für Angreifer. Es ist daher wichtig, die Sicherheit der Fabrik bei der Umsetzung neuer Technologien von Beginn an zu beachten. Dies wird als Security-by-Design bezeichnet und integriert Sicherheitslösungen in die Fabrik, um Verlusten, z. B. durch Sabotage oder Industriespionage, vorzubeugen. Dabei handelt es sich um einen kontinuierlichen Prozess, der wiederum auf verschiedene Bausteine zurückgreift. In diesem Beitrag werden aktuelle Forschungsergebnisse aus dem nationalen Referenzprojekt zur IT-Sicherheit in der Industrie 4.0 (IUNO) für die Umsetzung sicherer Prozesse in Fabriken anhand konkreter Fallbeispiele erläutert: Zum einen Anomalieerkennung in Wertschöpfungsnetzen, zum anderen sichere Produktionsplanung mittels Simulation. Die hier beschriebenen Beispiele sind für die Umsetzung in KMUs und großen Unternehmen geeignet.

Im BMBF-geförderten Verbundprojekt „Provenance Analytics“ werden an der Bauhaus-Universität Weimar gemeinsam mit der Hochschule Ostwestfalen-Lippe Verfahren und Technologien zur Anomalieerkennung in Sensordaten erforscht. Im vorliegenden allgemeinen Überblicksbeitrag tellen wir wichtige Verfahren zur Anomalieerkennung in Sensordatenströmen und zur Prognose von Maschinenausfällen im Industrie-4.0-Kontext kurz vor und skizzieren die von uns geplanten Forschungsarbeiten. Der Beitrag ist wie folgt gegliedert: Nach einer kurzen Klärung des Anomaliebegriffes werden im Hauptteil verschiedene Anomalietypen und Verfahren zur Anomalieerkennung eingeführt. Dabei wird deutlich, dass die existierenden Verfahren oft nicht sämtliche zur Verfügung stehende Informationen benutzen, was wiederum bei der Entwicklung besserer Verfahren berücksichtigt werden sollte.

Längst hat die digitale Transformation auch die industrielle Produktion erreicht. Insbesondere getrieben durch die Erfolge und Fortschritte der vorwiegend amerikanischen IT-Unternehmen ist diese vierte industrielle Revolution, oder Industrie 4.0, wie sie in der Hightech-Strategie der Bundesregierung heißt, in vollem Gange. Eine Vielzahl von Begriffen und Technologien wie Internet der Dinge, Cyber-Physische Systeme und Big Data bilden das Rahmenwerk dieses Wandels. Im vorliegenden Beitrag wird insbesondere der Big Data Begriff adressiert und eine Abgrenzung dieses umfassenden Konzepts hinsichtlich der Definition von Industrial Big Data unternommen. Zudem wird anhand von Fallbeispielen exemplarisch erläutert, welche Mehrwerte die Anwendung dieser Methoden in der Produktion generiert.

Die zunehmende Vernetzung und Digitalisierung von Systemen greift mittlerweile in vielen Feldern um sich. Auf Unternehmerseite hat sich vor allem um die Industrie 4.0 eine Vielzahl von Konzepten, Ideen, Erwartungen und Ängsten gebildet. Ein Blick in die Medien heute reicht aus, um zu begreifen, dass die umfassende Vernetzung kritischer Strukturen auch Gefahren birgt. Neben einer grundlegenden Beschäftigung mit der Absicherung von Informationsnetzwerken, sollte verstärkt berücksichtigt werden, wie die Masse an Daten und Informationen gezielt eingesetzt werden kann, um Systeme zu schützen. Das Auswerten von Big Data bzw. die Umwandlung in Smart Data mithilfe Künstlicher Intelligenz und ihre Nutzung als Sicherheitsfaktor wird in der Zukunft unverzichtbar sein.

Optische Messsysteme sind eine populäre Wahl für die Qualitätsprüfung, da sie nicht nur kontaktfrei funktionieren, sondern auch präzise und vergleichsweise schnell sind. Vor allem in Fällen, in denen eine 100 %-Qualitätsprüfung angestrebt wird, ist eine geringe Mess- und Auswertezeit von essentieller Bedeutung. Bei hohen Taktzahlen von mehreren Teilen pro Sekunde, wie bspw. beim Mikrokaltumformen, wird die Auswertung dabei von Algorithmen übernommen. Um eine schnelle und präzise Defekterkennung zu ermöglichen, werden solche Algorithmen üblicherweise auf die Erkennung einer beschränkten Anzahl vordefinierter Defektklassen zugeschnitten. Der Nachteil gegenüber der manuellen Prüfung ist dabei jedoch, dass unbekannte bzw. unerwartet auftretende Defektarten eventuell nicht erkannt werden. Bei neu entwickelten Verfahren und/oder einer hohen Anzahl von Einflussfaktoren ist es daher wichtig, dass die Auswertealgorithmen solche Anomalien zuverlässig und schnell erkennen.