Der Charakter Data aus Star Trek ist sicherlich das, was viele Menschen sich unter künstlicher Intelligenz am ehesten vorstellen. Ganz so weit sind wir noch nicht, aber in den letzten 30 Jahren wurde sehr viel Forschungs- und Entwicklungsarbeit geleistet. Wir bei Siemens haben beispielsweise bereits in den 1990er-Jahren in Stahlwerken erste neuronale Netzwerke installiert. Dank der rasanten Weiterentwicklung von Rechenleistung und Kommunikationstechnik sowie der Hardware sind wir mittlerweile in der Lage, an industrietauglichen KI-Anwendungen zu arbeiten. Dazu gehören auch intelligente Datenanalysen auf unserer offenen IoT-Plattform Mindsphere. Dort können Anwender ihre Daten nicht nur sammeln und sichten, sondern sich auch via lernfähiger Algorithmen Handlungsempfehlungen zu effizienterem Maschineneinsatz und Betriebsoptimierung geben lassen.
Potenzial für komplexe Anlagen
Für die Prozessindustrie bietet KI großes Potenzial, stellt die dazugehörigen Branchen aber auch vor ernstzunehmende Herausforderungen. Bei Anlagen für beispielsweise chemische oder biologische Prozesse ist alles miteinander verbunden und vernetzt. Einzelne Prozesse wirken sich mittelbar oder unmittelbar aufeinander aus, was, natürlich auch noch abhängig von der Gesamtgröße der Anlage, eine hohe Komplexität der Anlage zur Folge hat.
Im Vergleich zu einer einfachen Maschine, die für sich allein betrachtet werden kann, ist es hier also auch deutlich schwieriger, das ganze System zu verstehen. Genau hier liegt ein Ansatzpunkt der KI. Sie kann uns bei diesem Verständnisproblem helfen. Schließlich spielen Daten für die Unternehmen eine immer wichtigere Rolle, um die Prozesseffizienz zu erhöhen, Standzeiten zu reduzieren und Wartung und Service zu optimieren.
Noch gibt es keine Patentlösung
Dazu muss KI jedoch angelernt werden, was uns vor die nächste Herausforderung stellt. Denn es gibt zwar unzählige Prozessanlagen weltweit, aber die meisten Anlagen sind sehr spezifisch, teilweise genau nach Kundenvorgaben gebaut. Sprich: Sie sind mehr oder weniger Unikate. Ihre Daten lassen sich nicht 1:1 auf alle Anlagen übertragen.
Durch diesen Mangel an Wiederholraten von Aggregaten, die limitierte Anzahl an Sets, die geringe Vergleichbarkeit sowie Verfügbarkeit historischer Daten mit ausreichender Dokumentation aufgetretener Fehler gestaltet sich das Anlernen künstlicher neuronaler Strukturen schwierig, aber nicht unmöglich. Ausgangslage ist, dass uns zwar viele Daten – auch relativ gut sortiert – vorliegen, die jedoch insofern unstrukturiert sind, als nur eine limitierte Semantik dahinter liegt. Ein standardisiertes Verständnis für diese Semantik ist allerdings Grundvoraussetzung für den Erfolg. Dazu arbeiten wir bereits intensiv mit der Namur an Lösungen.
Erste messbare Erfolge
Auch wenn im Bereich der KI und deren Einsatz noch viel „Luft nach oben“ ist, sind wir bereits in der Lage, in ganz konkreten Anwendungsfällen sehr zufriedenstellende Ergebnisse zu erzielen. Dazu gehen wir mit den Kunden regelrecht in die Anlage hinein und nehmen eine Art „Befundung“ vor. Das bedeutet nichts anderes, als dass wir uns die Anlage und deren Komponenten im Detail anschauen, den Status quo ermitteln und anstehende Themen nach ihrer Dringlichkeit priorisieren.
Im zweiten Schritt geben wir Handlungsempfehlungen aus, wie unserer Meinung nach Performance und Verfügbarkeit der Anlage verbessert werden können. In einem ganz konkreten Fall galt die erste Priorität der Überwachung von kritischem Equipment, wofür wir eine entsprechende Applikation entwickelt und eingesetzt haben, die wir auf der diesjährigen Hannover Messe auch zeigen werden.
Neben dem Erfassen der Daten und dem Einlesen von Informationen vor Ort lag der Fokus auf den Datensets aus den Historie-Systemen des Kunden. Die hier gewonnenen Daten wurden zum Anlernen des neuronalen Netzes genutzt. In Testläufen konnten wir belegen, dass das KI-System tatsächlich in der Lage ist, richtig zu reagieren und keine Fehlalarme auszulösen.
Die gesamte Lösung ist beim Kunden nun erfolgreich im Einsatz und soll künftig auch in anderen Branchen Anwendung finden. Der Bedarf ist da.
Bedarfsanalyse: Wann rentiert sich der Einsatz von KI?
Apropos Bedarf: Natürlich fragen unsere Kunden immer wieder, wie es sich mit dem Kosten-Nutzen verhält. Ein einfaches Beispiel hilft hier bei der Verdeutlichung der Thematik. Nehmen wir an, ein großer Kompressor fällt aus. Dieser Ausfall kostet pro Tag zwischen zehn und 15 Millionen Euro, der Austausch beziehungsweise die Lieferung eines Ersatzteils kann bis zu 14 Tage in Anspruch nehmen. Im ersten Moment klingt das nach extrem hohen Ausfallkosten.
Nun kommen derartige Defekte an Kompressoren jedoch sehr selten vor – vielleicht mit einer Wahrscheinlichkeit von 50 bis 60 Prozent alle 15 Jahre. Damit relativiert sich das Risiko derartiger Ausfallkosten erheblich. An dieser Stelle gilt es nun, den Business Case gemeinsam mit dem Kunden zu evaluieren.
Für den Einsatz der KI sprechen sicherlich die bereits belegbaren Erfolge, wodurch wir den Kunden nachweisen können, dass wir mit KI kritische und kostspielige Situationen abwenden konnten; das steigert die Akzeptanz enorm. Bei Projekten, bei denen es um die Anlagenverfügbarkeit geht, ist KI immer ein Thema, nur dass der Kunde letztlich entscheiden muss, ob und wann er die Lösung einsetzen möchte.
Grundsätzlich sehen wir, dass bei Kunden, die viele Anlagen betreiben, die Bereitschaft größer ist. Denn damit ist statistisch gesehen auch die Anzahl der Ausfälle über das Jahr an den verschiedenen Standorten weltweit doch signifikant.
KI-getriebene Projekte in der Prozessindustrie
Neben dem oben genannten Projekt haben wir aktuell weitere Themen im Blick. Dazu gehört Equipment Predictive Analytics (EPA), ein Softwareprodukt, mit dem sich Anlagenprobleme frühzeitig erkennen und Stillstandszeiten vermeiden lassen.
Ein KI-Modell lernt hierbei das Normalverhalten der Anlage zunächst mithilfe historischer Daten der Anlage und erkennt in der Folge Anomalien im laufenden Betrieb. Auf der Basis der gefundenen Anomalien können dann durch eine Root-Cause-Analyse Ursachen erkannt und Handlungsempfehlungen abgeleitet werden.
Unsere Chemical Suite beinhaltet verschiedene Module für die Datenanalyse von chemischen Anlagen, wie Valve Monitoring, Pump Monitoring, Heat Exchanger Monitoring und Prozessoptimierung. Der Erfolg datengetriebener KI-Modelle liegt hier in der geeigneten Kombination mit Domaine-Wissen über Funktionsweise, Struktur sowie Instrumentierung der Anlage und ihrer Komponenten.
Im Projekt Mindpilot für die Papierindustrie werden eine Vielzahl von Prozessparametern mit einem neuronalen Netz online ausgewertet, um die Papierqualität beziehungsweise -stärke kontinuierlich vorherzusagen. So kann der Operator unmittelbar auf vorhergesagte Qualitätsschwankungen reagieren – schneller als bisher auf der Basis periodischer, zeitverzögerter Labortests.
Der Blick in die (nicht allzu ferne) Zukunft
Für die Zukunft sehen wir, dass sich das Spektrum für den Einsatz von KI stark erweitern wird. Das gilt innerhalb der Prozessindustrie genauso wie für komplett andere Bereiche, etwa die Energie-, Gebäude- und Verkehrstechnik. So kann KI beispielsweise bei einer effizienteren, schadstoffarmen Energieerzeugung unterstützen.
Dabei ist es wichtig, KI nicht als „Konkurrenz“ für den Menschen oder als Bedrohung für Arbeitsplätze zu sehen. Zum einen erreicht sie die menschliche Flexibilität hinsichtlich der Problemlösung in absehbarer Zeit nicht. Zum anderen wird die neue Technik die Fehleranfälligkeit bestimmter Tätigkeiten reduzieren, mehr Freiraum für kreative Aufgaben schaffen und langfristig den Wirtschaftsstandort Deutschland stärken.
