Dass es bis heute keine Umsetzung einer Smart Factory in großem Maßstab gibt, verdeutlicht, wie komplex die Herausforderungen sind. Eine papierlose Produktion, intelligente Anlagen und Werkzeuge sowie das Sammeln von Daten macht noch keine sich selbst organisierende Produktionsumgebung aus. Bis ein Unternehmen die Voraussetzungen dafür erfüllt, bedarf es einer vorausschauend definierten Strategie und Planung, um die Vision Realität werden zu lassen.
Der erste Meilenstein auf diesem Weg ist die Einführung des IIoT. Alles, was unter Industrie 4.0 subsummiert wird, basiert auf Daten. Im Ersten Schritt kann das IIoT Daten erfassen, zusammenführen und visualisieren. Das Wichtigste ist aber, dass die Daten auch verstanden werden. Denn es geht nicht einfach nur um die Einführung einer Technologie, sondern darum, die passende Lösung für unternehmerische und produktionstechnische Herausforderungen zu finden. Transition Technologies PSC agiert hier agnostisch. Etablierte und standardisierte Technologien von Partnern wie PTC, AWS, Microsoft Azure, Rockwell Automation und Atlassian werden mit kundenindividuellen Applikationen erweitert.
Mit dem Sammeln, Säubern und Validieren der Daten wird das Condition Monitoring ermöglicht. Als nächster Schritt kann der Aufbau von digitalen Zwillingen folgen. Wie bei der Herstellung der Konnektivität und Transparenz sollte hier mit einer einzelnen Produktionsanlage als Proof of Concept begonnen werden, bevor ein Digital Twin der gesamten Fertigung erstellt wird. Sobald dem Digital Twin künstliche Intelligenz (KI) hinzugefügt wird, beginnt der Übergang zur Smart Factory. Abhängig von den Eingangsdaten sind damit diverse Vorhersagen möglich. Am bekanntesten ist wahrscheinlich Predictive Maintenance.
Enge Zusammenarbeit
Mit der smarten Fabrik ist nicht nur die Überwachung und Steuerung, sondern auch die Vorhersage und Reaktion in Echtzeit möglich. Vereinfacht ausgedrückt wird der ausgewählte Anwendungsfall in ein mathematisches Modell überführt und ein Algorithmus löst diesen mit den historischen Daten. Das wird so oft angepasst und wiederholt, bis das Ergebnis den Erwartungen entspricht. Dabei müssen Data Scientist, Business Analyst, Software-Entwickler und am allerwichtigsten der Domain Experte, also derjenige der die Produktionsanlage am besten kennt, eng zusammenarbeiten. Im produktiven System wird erneut geprüft, ob das mathematische Modell noch aktuell ist oder ob weitere Faktoren zu berücksichtigten sind. Es ist ein stetiger Prozess, in dem die Modelle ständig weiterentwickelt und verbessert werden. Deshalb ist es essentiell, dass die Systemarchitektur von Anfang an auf Machine Learning Operations (MLOps) ausgelegt ist. Partner an dieser Stelle, wie Transition Technologies PSC, sollten nicht nur verschiedene Technologien beherrschen, um die passende auswählen zu können. Entscheidend ist, dass die gesamte Bandbreite von Konnektivität bis hin zu KI mit Knowhow abgedeckt wird, um immer einen Schritt vorausplanen und die Systeme entsprechend auslegen zu können. Die Vision im Bereich der künstlichen Intelligenz ist, dass Maschinen die Algorithmen zukünftig selbst optimieren.
Aus projektmethodischer Sicht entsprechen Analyseprojekte (insbesondere KI) keiner typischen Softwareentwicklung – die meisten KI-Projekte scheitern an unklaren Geschäftszielen, mangelhafter Datenqualität und/oder dem Fehlen einer angepassten Liefermethode. Es gibt viele Faktoren und Voraussetzungen für den Erfolg eines KI-Projekts, z. B. die Menge der verfügbaren historischen Daten, das Vorhandensein von Korrelationen oder genügend Sensoren. Das zeigt, dass die Basis eines jeden KI-Projekts im industriellen Umfeld bereits mit der korrekten Umsetzung des IIoT gelegt wird.
