Wie KI das Internet der Dinge revolutioniert

Prädiktive Wartung

von - 03.04.2020
Intelligenter Sensor
Beispiel aus der Praxis: Der intelligente Sensor der Firma Konux ermöglicht eine vorausschauende Wartung von Weichen.
(Quelle: Konux)
Vor allem in der Industrie setzt man zunehmend auf die Kombination von IoT-Umgebungen mit KI und analytischen Fähigkeiten. Eines der größten Wachstumsfelder ist der Bereich vorausschauende Wartung (Predictive Maintenance). Er machte nach Berechnungen des Marktforschungsunternehmen IoT Analytics 2018 über 24 Prozent des Gesamtmarkts für
industrielle KI-Anwendungen aus. Mit Hilfe von Predictive Maintenance soll die Restlebensdauer (Remaining Useful Life, RUL) eines Bauteils oder einer Maschine vorhergesagt und so der optimale Zeitpunkt für Wartung, Reparatur oder Austausch identifiziert werden können.
Vorausschauende Wartung kommt heute bereits in vielen Unternehmen zum Einsatz. So nutzt etwa Thyssenkrupp Vorhersagemodelle in Kombination mit IoT-Daten, um die Wartung von Aufzügen zu optimieren. Der Hersteller verspricht, durch dieses System die Ausfallzeiten von Aufzügen um die Hälfte reduzieren zu können. Bei den Windkraftanlagen von Siemens Gamesa liefern über 300 Sensoren pro Tag mehr als 200 GByte an Daten. Sie werden unter anderem durch KI-basierte Methoden analysiert und für Wartungszwecke ausgewertet. Der Hersteller kann so nach eigenen Angaben über 99 Prozent aller drohenden Schäden am Antriebsstrang vorhersagen und 85 Prozent aller Alarme innerhalb von zehn Minuten aus der Ferne lösen.
Im Elektronikwerk Amberg setzt Siemens auf intelligentes Edge-Computing, um die Fertigung von Leiterplatten zu optimieren. Die KI-basierte Analyse der Prozessdaten aus den Schneidsystemen erlaubt es, drohende Ausfälle mit bis zu 36 Stunden Vorlauf vorherzusagen und damit Verschleißteile rechtzeitig tauschen zu können. So sollen sich laut Siemens pro Maschine bis zu 12.000 Euro pro Jahr einsparen lassen. Die Daten werden dabei vor Ort gefiltert und vorverarbeitet, bevor sie in die Cloud-Analysesysteme geschickt werden.
Andreas Kunze
Andreas Kunze
CEO bei Konux
www.konux.com/de
Foto: blende11_Fotografen
„Unsere Kunden profi­tieren durch eine Reduktion der Instandhaltungskosten von
mehr als 25 Prozent.“
Ein weiteres Beispiel für den Einsatz smarter Sensoren und Künstlicher Intelligenz für die vorausschauende Wartung ist das Weichenanalytik-Projekt der Deutschen Bahn, das in Zusammenarbeit mit dem Unternehmen Konux durchgeführt wurde. Das Münchner Start-up hat dafür einen Weichensensor entwickelt, der die wichtigsten Funktionsparameter und den Energieverbrauch selbst überwacht und eine Vorverarbeitung der Rohdaten durchführt. Er übermittelt die Felddaten drahtlos an ein Backend-System, wo sie mit weiteren Informationen wie Zugdaten und Statistiken kombiniert und mit Hilfe von neuronalen Netzen und anderen Verfahren des maschinellen Lernens ausgewertet werden. „Unsere Kunden profitieren durch eine Reduk­tion der Instandhaltungskosten von mehr als 25 Prozent“, verspricht Komux-CEO Andreas Kunze.
Toolkits und Frameworks für das intelligente IoT (Auswahl)

Produkt

Beschreibung

ARM Compute Library

Sammlung von Funktionen für Bildverarbeitung und maschinelles Lernen, die für Arm-CPU- und GPU-Architekturen optimiert sind. Sie ist kostenlos unter einer MIT-Open-Source-Lizenz erhältlich

CMSIS NN

Sammlung effizienter Kernel, die Leistung und Speicherbedarf neuronaler Netzwerke auf Cortex-M-Prozessorkernen optimieren

Embedded Learning Library (ELL)

Machine-Learning-Bibliothek von Microsoft für Plattformen mit geringen Rechenressourcen und kleine Einplatinencomputer

Keras

Benutzerfreundliche Open-Source-Bibliothek für Deep Learning, die eine Schnittstelle zu verschiedenen Backends wie TensorFlow, Microsoft Cognitive Toolkit oder Theano bietet

Neural Network on Microcontroller (NNoM)

High-Level-Programmbibliothek zur Modellierung neuronaler Netze auf Microcontroller-Umgebungen

OpenEI

Das Open Framework for Edge Intelligence ist eine Software-Plattform für Edge-Systeme, um diese mit intelligenten Datenverarbeitungs- und Austauschfunktionen auszustatten

OpenVINO (Open Visual Inference and Neural

Das von Intel entwickelte Toolkit erleichtert die Programmierung und Ausführung von Bilderkennungslösungen. Es integriert das Intel Deep Learning Deployment Toolkit mit Modelloptimierung, einer Inferenz-Engine sowie Computer-Vision-Bibliotheken und -Funktionen. Das Toolkit, das auf verschiedenen Intel-Plattformen läuft, ist als Open Source unter einer Apache-Lizenz verfügbar

Qualcomm Neural Processing SDK for AI

Software Development Kit für Entwickler, um neuronale Netze auf mobilen Snapdragon-Plattformen ausführen zu können

TensorFlow Lite

TensorFlow-Variante für Mobilgeräte und Embedded-Lösungen, die geräteinternes maschinelles Lernen mit geringer Latenz und einer kleinen Binärgröße ermöglicht. Als „TensorFlow Lite for Microcontrollers“ auch für sehr kleine Geräte mit nur einem Kilobyte Speicher verfügbar

TensorRT

Software Development Kit von Nvidia, das Deep-Learning-Modelle auf niedrige Latenz und hohen Durchsatz optimiert. Typische Einsatzgebiete sind Videostreaming, Spracherkennung, Empfehlungsroutinen und Natural Language Understanding (NLU). Für verschiedene Plattformen (Rechenzentrum, Jetson, Nvidia DRIVE) stehen jeweils optimierte Kernel zur Verfügung

TinyML

Framework, das Ausführung und Entwicklung von Machine-Learning-Algorithmen auf Rechenleistung, Energie- und Speicherverbrauch hin optimiert, sodass sie auf sehr kleinen Geräten genutzt werden können

uTensor

KI-Inferenzbibliothek, die auf der ARM-Plattform mbed und TensorFlow basiert

X-CUBE-AI

Machine-Learning-Toolkit für die STM32-Microcontroller-Familie, die auf dem ARM-Cortex-M-Prozessor basiert

Verwandte Themen