Künstliche Intelligenz

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.

Im Gegensatz zum Einsatz von Robotern in standardisierten Produktionsprozessen müssen Roboter innerhalb von dynamischen Logistikprozessen flexibel und anpassungsfähig gegenüber variablen Umgebungsbedingungen und nicht standardisierten Gütern sein. Durch die Fortschritte im Bereich der künstlichen Intelligenz und die Vernetzung durch Industrie 4.0 werden Roboter in Zukunft auch komplexe Aufgabenstellungen in der Logistik zuverlässig ausführen können. Eine entscheidende Komponente eines Robotersystems stellt die Interpretation der Arbeitsumgebung mithilfe von multi-modalen Sensorsystemen dar. Der Beitrag beschreibt Anwendungen für Robotersysteme in der Logistik und stellt im Rahmen der Depalettierung ein Beispiel der Interpretation von multi-modalen Sensordaten vor.

Eine der Implikationen aus Industrie 4.0 ist das Entstehen einer neuen Zusammenarbeit von Menschen, Robotern und virtuellen Agenten in Teams - der Roboter ist kein Konkurrent, sondern er übernimmt typischerweise andere Aufgaben, die für Menschen sehr aufwändig, schädlich oder gar unmittelbar gefährlich sind. Diese Hybriden Teams müssen effizient kommunizieren, sie sollen flexibel sein und breit einsetzbar. Wie kann man ein solches Team realisieren und welche Besonderheiten und Schwierigkeiten treten dabei auf? Der Beitrag beschreibt den Aufbau und die Eigenschaften Hybrider Teams und schlägt eine entsprechende Systemarchitektur vor, die auf Erfahrungen aus dem aktuellen Forschungsprojekt HySociaTea (FKZ 01IW14001, BMBF) basiert.

Die Zukunftsfähigkeit von Produktionsverfahren, wie der modularisierten Produktion von Automobilen, wird davon bestimmt, inwieweit nachhaltige Produktivitätssteigerungen gelingen. Dabei gilt es, den Zielkonflikt zwischen Effizienz und Flexibilität aufzulösen [1]. Auf dem Prüfstand stehen vor allem die logistischen Prämissen und die Frage der Adaptions- und Leistungsfähigkeit der Beschaffungslogistik. Der Gedanke liegt nahe, die derzeit mit Lkw-Aufliegern organisierten Inbound-Prozesse mit dem Umwelt schonenden Wettbewerb eines neuartigen getakteten Bahntransports zu vergleichen und dabei gleichzeitig Vorteile aus CPS zu nutzen. Der Vorschlag bietet der Produktion eine alternative Lösung eines Transportflusses mit Wechselbrücken, die in Echtzeit disponier- und kontrollierbar eine deutlich höhere Flexibilität des Teileflusses im Inbound und in der Zustellung sichern.

This paper briefly characterizes the field of cognitive computing. As an exemplification, the field of natural language question answering is introduced together with its specific challenges. A possibility to master these challenges is illustrated by a detailed presentation of the LogAnswer system, which is a successful representative of the field of natural language question answering.

Um die zunehmende Komplexität im modernen Hardwareentwurf handhaben zu können, findet der Entwurf von Hardwaresystemen zunehmend auf abstrakteren Ebenen statt. Vorteilen, wie der schnelleren Entwicklung lauffähiger Prototypen und kürzeren Entwurfszyklen, stehen dabei Nachteile bei der Analyse der Systeme gegenüber: Es gibt keinen einfachen Weg mehr, aus der Beschreibung des Systems die Struktur zu ermitteln. Trotzdem sollten den Ingenieurinnen/Ingenieuren während des Entwurfsprozesses natürlich die Informationen zur Verfügung stehen, die sie zur schnellen Analyse der Systeme benötigen. Hier hilft dem Computer der virtuelle Blick in sein inneres Selbst: Die simulierte Hardware wird von einer künstlichen Intelligenz (KI) überwacht, die so die Funktion des Systems zur Laufzeit erlernt. Abhängigkeiten und Zusammenhänge werden so unabhängig von der direkten Verfügbarkeit ermittelt und dem Entwickler während des Entwurfsprozesses zur Verfügung gestellt.