Sensorik als Türöffner für KI-Anwendungen in der Produktion
Wenn Maschinen denken lernen: Sensorik trifft auf Künstliche Intelligenz – und schafft die Basis für vorausschauende Wartung, neue Geschäftsmodelle und mehr Sicherheit in der Produktion.
Sabine SpinnarkeSabineSpinnarke
VeröffentlichtGeändert
Sensornetze in der Produktion erleichtern die Mensch-Roboter-Kollaboration, berechnen den Verschleiß von Werkzeugen und sagen Ausfälle von Maschinen treffsicher voraus. Voraussetzungen allerdings sind hohe Prozess- und Maschinenkenntnisse sowie leistungsstarke Sensoren.(Bild: Jelena - stock.adobe.com)
Anzeige
„In der Industrie mangelt es häufig an Fachpersonal, welches die Zustände von Maschinen kontinuierlich überwachen kann. Durch intelligente Algorithmen können wir diese Aufgabe an eingebettete Systeme übertragen“, sagt Sebastian Uziel, Embedded Hard- and Software Engineer beim IMMS, dem Institut für Mikroelektronik und Mechatronik Systeme gemeinnützige Gesellschaft. IMMS ist ein landeseigenes Forschungsinstitut des Landes Thüringen.
Das energieeffiziente Edge-KI-Sensorsystem, das Uziel und sein Team entwickelten, könnte die lästige Aufgabe, Vibrationen an der Maschine zu messen und auszuwerten, übernehmen. Es handelt sich um eine Predictive Maintenance Lösung. „Erwünscht sind Systeme, die Aussagen treffen können zu Standzeiten und zu erwarteten Lebenszeiten“, berichtet Uziel. Wie lange ein Lager oder ein Fräser weiterhin zuverlässig seine Arbeit verrichten wird, ist eine wesentliche Information, um Ausfälle zu vermeiden und Wartungen gezielter zu planen. „Die Abweichungen von vordefinierten Standzeiten können 20 bis 30 Prozent betragen“, sagt Uziel.
Anzeige
Wir sind genau darauf spezialisiert, die Algorithmen auf kleinen Mikrocontrollern nah am Prozess zu implementieren und mit unseren Embedded-Systemen KI-Lösungen schneller als üblicherweise umzusetzen.
Sebastian Uziel, Embedded Hard- and Software Engineer beim IMMS
Handelt es sich um kostspielige oder sicherheitskritische Anlagen, sind Ausfälle besonders unangenehm. „Ungewollte Stillstände verursachen dort hohe Kosten. Das will man vermeiden“, sagt Benedikt Rauscher, Leiter globale IoT-Projekte, Pepperl+Fuchs. Gemeinsam mit Bosch hat der Sensorhersteller eine KI-basierende Predictive-Maintenance-Lösung für sogenanntes Rotating Equipment entwickelt, also große rotierende Maschinen wie zum Beispiel Kompressoren, Pumpen oder Generatoren für Pipelines oder Kraftwerke. Mit Einsatz dieser Lösung sinkt das Ausfallrisiko.
Für einen anderen Einsatzbereich entwickelte das Team um Holger Kappert am Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS ein Sensorsystem. Kappert leitet den Bereich Smart Sensor Systems. Das IMS-System dient der Überwachung einer Werkshalle mit Lidar. Es erfasst, ob Personen oder Körperteile sich innerhalb sicherer Bereiche bewegen oder etwa in eine Gefahrenzone geraten. Das erhöht in der Mensch-Roboter-Kollaboration die Sicherheit und Flexibilität, da auf physische Käfige verzichtet werden kann.
Mit den smarten Sensorsystemen können Maschinenanbieter ihre Maschine verbessern. Sie gewinnen ein weiteres Verkaufsargument.
Holger Kappert, Leiter Bereich Smart Sensor Systems, Fraunhofer IMS
Statt einzelner Sensoren werden immer häufiger Sensorsysteme eingesetzt
Anzeige
Drei unterschiedliche Szenarien, drei unterschiedliche Anwendungen. Doch in allen drei Beispielen wertet KI die Daten von Sensorsystemen aus. Hier geht die Reise hin. In der Studie ‚Sensortrends 2030‘ von AMA und VDI heißt es, statt einzelner Sensoren werden immer häufiger Sensorsysteme eingesetzt. Durch deren Integration und die Funktionserweiterungen würden ganz neue Anwendungsmöglichkeiten geschaffen. „Ein wichtiger Trend in der Sensorik sind smarte Sensorsysteme mit KI-Anbindung“, meint auch Philipp Gutmann, Geschäftsführer des AMA Verband für Sensorik und Messtechnik. Hier sei ein regelrechtes Momentum zu beobachten: „Ein Momentum, da jetzt verstanden wird, dass nur verbessert werden kann, was zuvor gemessen wurde.“
Philipp Gutmann, Geschäftsführer des AMA Verband für Sensorik und Messtechnik(Bild: Bischof und Broel)
Smarte Sensorsysteme erfassen entweder verschiedene physikalische Größen oder vernetzen mehrere Sensoren zu einem Gesamtsystem. Dadurch werden neue Aussagen über den Fertigungsprozess oder die Maschinenzustände möglich. Mit Hilfe von KI können dann Entscheidungen getroffen oder weitere Schritte eingeleitet werden. Die Sensoren müssen nicht immer real vorhanden sein: „Virtuelle Sensoren kombinieren reale Messwerte mit digitalen Modellen wie etwa einem digitalen Zwilling und können daraus weitere Informationen ableiten“, erklärt Kappert. Damit lassen sich in bestehenden Produktionsanlagen oft zusätzliche Optimierungspotenziale erschließen, ohne neue Hardware zu verbauen.
Auf dem Weg zu praxistauglichen intelligenten Sensorsystemen, die in der Industrie breitflächig eingesetzt werden können, gibt es allerdings noch einige Hürden zu überwinden: „Grundsätzlich ist die Qualität des Sensors wichtig. Dann ist ein weiterer Aspekt die Signalverarbeitung durch KI: Eine große Systemexpertise ist dafür zwingende Voraussetzung. Welche Info braucht man wirklich, wie können die benötigten Werte im vorhandenen System erfasst werden. Es gilt zu verstehen, was die Anwendung ist“, betont Kappert. Auch Rauscher, Pepperl+Fuchs, unterstreicht die Wichtigkeit des Systemverständnisses. Um Anomalien, die zu einem Schaden führen könnten, treffsicher zu erkennen, seien genaueste Kenntnisse zu den spezifischen Maschinen notwendig: „Man muss die Maschine sehr gut kennen“, sagt Rauscher. Das Frequenzspektrum jeder Maschine ist unterschiedlich. Um passend für den jeweiligen Anwendungsfall, ein Sensornetz zu konfigurieren sind daher bei Fraunhofer oder IMMS Industriepartner immer willkommen. Denn mit ihnen können weitere Anwendungsfälle erprobt werden.
Anzeige
In allen drei Beispielen wird KI eingesetzt, um die Daten von Sensorsystemen auszuwerten. Dass die KI-Systeme funktionieren, ist allerdings kein Selbstläufer. „KI lebt von guten und vielen Daten“, so Kappert. Entsprechend aufwendig ist der Schritt der Modellgewinnung. „Aus den Daten, die für die Maschine signifikant sind, wird das KI-Modell abgeleitet und anschließend trainiert“, erklärt Kappert. Das kann Tage oder sogar Wochen dauern. Die KI läuft entweder passiv mit, und es muss im Anschluss ausgewertet werden, was gut oder schlecht war. Oder es werden gezielt Fehlerzustände angefahren.
Die meisten KI-Ansätze benötigen zum Lernen Schlecht-Fälle
Ein häufiger Engpass liegt in der Datenverfügbarkeit. Gerade kleine und mittelständische Unternehmen (KMU) verfügen oft nicht über ausreichend Daten für ein vollständiges KI-Training, oder haben nicht die Möglichkeit im laufenden Produktionsprozess geeignete Trainingsdaten zu sammeln. Hier können Methoden wie das unüberwachte Lernen Abhilfe schaffen – eine Spezialität des IMMS. Dessen Systeme kommen ohne aufwendiges Training der KI aus. „Die meisten KI-Ansätze benötigen zum Lernen Schlecht-Fälle. Die können in der Regel nicht kreiert werden, da ja die Maschine nicht absichtlich zerstört werden soll, um Trainingsdaten zu erhalten“, erklärt Uziel. IMMS setzt daher auf unüberwachtes Lernen, „wir sagen dem System was gut ist und wollen Abweichungen mit Anomaliedetektoren erkennen“, so Uziel. Auf diese Weise lassen sich effiziente und schnelle Predictive-Maintenance-Lösungen umsetzen. „Wir sind genau darauf spezialisiert, die Algorithmen auf kleinen Mikrocontrollern nah am Prozess zu implementieren und mit unseren Embedded-Systemen KI-Lösungen schneller als üblicherweise umzusetzen“, betont Uziel.
Neben dem Lidar-System für die Robotik hat auch das Fraunhofer IMS eine Predictive-Maintenance-Lösung entwickelt. Sie heißt PredictiveBoX und erfasst Schwingungen. Auch mit der PredictiveBoX lässt sich mit intelligenten Sensoren der Werkzeugverschleiß an Werkzeugmaschinen beobachten und mittels KI die Reststandzeit eines Werkzeugs bestimmen. Je nach Bedarf entwickelt das Institut kundenspezifische Sensorsysteme, die durch zusätzliche KI-Signalverarbeitung erweiterte Funktionen erhalten. Eingesetzt werden die Systeme des IMS hauptsächlich für Predictive Maintenance in der Industrie oder für Sicherheitsanwendungen in der Mobilität oder in der Medizintechnik.
Individuell konfigurierbare Sensorsysteme ermöglichen neue Geschäftsmodelle
Das System von Pepperl+Fuchs und Bosch hat sich bereits in der Praxis bewährt. „Das Digital-Twin-Starter-Kit ist bei mehreren Betreibern großer rotierender Maschinen bereits im Einsatz“, berichtet Benedikt Rauscher, Leiter globale IoT-Projekte. Die Sensoren von Pepperl+ Fuchs erfassen die Vibrationen des Equipments sowie Drücke, Temperaturen und Durchfluss-Werte. Während Pepperl+Fuchs die Sensoren und Infrastruktur zur Datenübertragung beisteuert, bringt Bosch das notwendige Wissen über die Maschinen ein. Weiß man, mit welcher Drehzahl die Wellen laufen und in welchen Frequenzen Vibrationen auftreten, können daraus mathematisch Rückschlüsse zum Zustand der Anlage errechnet werden. „Unser Partner Bosch Grow hat auf Basis dieses Wissens von rotierendem Equipment verschiedenster Hersteller digitale Zwillinge erstellt und KI-Algorithmen entwickelt für die Auswertung der Vibrationen“, erläutert Rauscher. Mit Hilfe eines IO-Link-Masters von Pepperl+Fuchs werden die Daten erfasst und nach der Vorverarbeitung auf einem Embedded-PC auf kürzestem Weg in die Cloud übertragen und dort mit den KI-Algorithmen von Bosch weiter ausgewertet. „Der digitale Zwilling wird mit den realen Daten unserer Sensoren gefüttert, KI übernimmt die Auswertung der Ergebnisse – so gewinnt man sehr, sehr schnell Aussagen zu eventuell vorhandenen Anomalien“, sagt Rauscher. Die IO-Link-Sensoren von Pepperl+ Fuchs nutzen für die Übertragung verschiedene gängige Protokolle, was die Integration von Sensorsignalen für den Anwender erheblich erleichtert.
In allen drei Beispielen liegen die Vorteile auf der Hand: Individuell konfigurierbare Sensorsysteme eröffnen den Herstellern von Maschinen neue Geschäftsmodelle. „Mit den smarten Sensorsystemen können Maschinenanbieter ihre Maschine verbessern. Sie gewinnen ein weiteres Verkaufsargument“, so Kappert.
Anzeige
Bei industriellen Anwendern steht die Vermeidung von Kosten und die Verbesserung von Qualität im Fokus. „Anwender wollen mit den Systemen ihre Prozesse oder die Qualität ihrer Produkte verbessern, ihren Ausschuss reduzieren“, sagt Kappert. Die maschinennahe Verarbeitung von Daten reduziert außerdem die Kosten beim Cloud-Anbieter. „Ziel ist es, nicht mehr alle Daten zu Vibrationen-, Temperatur- oder Luftfeuchte in die Cloud zu übertragen“, sagt Uziel. Denn dazu kostet die Übertragung zu viel Zeit, Bandbreite und Speicherplatz. Allein für die Überwachung der Lager einer Maschine müssen 265 Werte übertragen werden, um das gesamte Frequenzspektrum der Vibrationen abzudecken. Es reicht also, die Abweichungen zu übertragen. Die Entscheidung ‚Maschine gut‘ oder ‚schlecht‘ kann auch vor Ort getroffen werden. Das senkt die Einstiegshürden für kleinere Unternehmen.
Die Unternehmen verzeichneten in Q1 ein Umsatzplus von 4%
Trotz der vielseitigen Einsatzmöglichkeiten und handfesten Vorteile: Die Branche leidet unter der Konjunkturflaute. „Es ist spürbar, dass Investitionen zurückgefahren werden“, berichtet Uziel. Auch Kappert beobachtet den Druck, unter dem viele Sensorhersteller derzeit stehen. In den Branchen Maschinenbau und Automobil sind die Umsätze seit Jahren mau. „Die Nachfrage-Situation nicht nur aus der Automobil-Industrie ist herausfordernd. Einen signifikanten Anstieg des Auftragseingangs auch in anderen Branchen sehen wir derzeit noch nicht“, berichtet Benedikt Rauscher, Pepperl+Fuchs. Hinzu kommt die Sorge um hohe Exportzölle aus den USA. „69 Prozent unserer Mitglieder exportieren ihre Produkte, 18 Prozent davon entfallen auf Nordamerika“, sagt Gutmann. Der AMA Verband wird daher das Thema Exportwirtschaft in AMA-Arbeitskreisen diskutieren. „Das Gefährlichste in einer sozialen Marktwirtschaft ist Unsicherheit. KMU wären von 10 bis 20 Prozent Zöllen überfordert“, sagt Gutmann.
Anzeige
Die Umsätze der Hersteller sind zuletzt wieder etwas gestiegen: „Die Unternehmen verzeichneten in Q1 ein Umsatzplus von vier Prozent. Der Branche geht also es den Umständen entsprechend gut“, so Gutmann zu den Ergebnissen der letzten Mitgliederbefragung des Verbandes. Insbesondere Branchen wie Medizintechnik, Defense oder Energie machen Hoffnung. In diesen Branchen winken den Sensorherstellern neue Aufträge. „In Q1 kam es bei unseren Mitgliedern zu einem Auftragseingang von plus 11 Prozent. Das ist ein sehr positives Signal“, berichtet Gutmann, „da die Sensorik in fast allen Bereichen unserer Gesellschaft einen elementaren Beitrag leistet, ist sie resilienter gegenüber Krisen.“
Verantwortlich für den hohen Auftragseingang könnte laut Gutmann der steigende Bedarf an Sensorik in den Bereichen KI, Autonomes Fahren und Defense sein, „da passiert so einiges“, meint Gutmann. Technologisch spiegelt sich die Nachfrage in zahlreichen Neuentwicklungen in diesen Bereichen wider. Dual-Use-Sensoren, die sowohl in der Landwirtschaft als auch für das Umweltmonitoring eingesetzt werden können. Sensoren für die Schichtmessung, die auch im Straßenbau oder für die Minensuche geeignet sind. Aber auch hochgenaue Sensoren für die Medizintechnik oder im Bereich Energieeffizienz erobern derzeit den Markt. „Automotive und Safety sind Gebiete, in denen Genauigkeit einen entscheidenden Wettbewerbsvorteil mit sich bringt. In der Qualitätskontrolle in kritischen Bereichen wie der Avionik sind Messgenauigkeit sowie Predictive Maintanance ein großer Vorteil,“ sagt Gutmann.
Der einzige Wermutstropfen: Bei Patentanmeldungen dominieren Unternehmen und Forschende aus Asien deutlich.
Was unterscheidet smarte Sensorik von herkömmlichen Sensoren? Smarte Sensoren liefern nicht nur Rohdaten, sondern interpretieren sie direkt vor Ort. Durch integrierte Signalverarbeitung und KI-Algorithmen entstehen verwertbare Informationen in Echtzeit.
Welche Rolle spielt Künstliche Intelligenz in Sensorsystemen? KI analysiert große Datenmengen aus der Produktion, erkennt Muster, prognostiziert Ausfälle und optimiert Prozesse. Sie macht die Sensorik zur Entscheidungsinstanz.
Was ist der Vorteil von Predictive Maintenance? Ungeplante Stillstände lassen sich vermeiden. Wartung wird gezielt planbar, Ersatzteile können just-in-time bereitgestellt werden – das senkt Kosten und erhöht die Anlagenverfügbarkeit.
Wie funktioniert unüberwachtes Lernen in der Praxis? Dabei wird dem System nur das normale Verhalten der Maschine beigebracht. Abweichungen davon wertet die KI als potenzielle Störung – ganz ohne Fehlerdaten.
Welche Branchen profitieren besonders von intelligenter Sensorik? Neben Maschinenbau und Automotive zählen auch Medizintechnik, Energie, Defense und Umwelttechnik zu den Vorreitern im Einsatz smarter Sensorlösungen.
Welche Datenarten erfassen moderne Sensorsysteme? Typisch sind Vibration, Temperatur, Druck, Durchfluss oder Lage. Viele Systeme kombinieren mehrere Messgrößen zu einem umfassenden Maschinenbild.
Warum sind digitale Zwillinge in der Sensorik wichtig? Sie verknüpfen reale Maschinendaten mit digitalen Modellen, um das Verhalten der Anlage besser zu verstehen und präzise Prognosen zu ermöglichen.
Wie können KMU Sensorik und KI sinnvoll nutzen? Durch modulare Systeme, Edge-KI und Anomaliedetektion ohne große Datenmengen können auch kleinere Unternehmen direkt einsteigen – ohne riesige Infrastrukturprojekte.
Was kostet die Datenübertragung in die Cloud? Nicht nur finanziell: Auch Bandbreite, Speicherplatz und Reaktionszeit sind limitierende Faktoren. Deshalb erfolgt die Auswertung zunehmend direkt an der Maschine („Edge“).
Wie lassen sich neue Geschäftsmodelle durch Sensorik erschließen? Maschinenhersteller nutzen Sensorik für Serviceverträge, Zustandsüberwachung oder nutzungsabhängige Abrechnungsmodelle – oft kombiniert mit digitalen Plattformen.
