Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
37 Trend Guide Industrie 4 0 IIoT KI 2025 www markttechnik de weltparametern eingesetzt Hier ermöglichen kompakte leistungsfähige Systeme eine lokale Verarbeitung der Videodaten ohne dass riesige Mengen an Rohdaten über das Netz geschickt werden müssen Die Ergebnisse – etwa zur Verkehrsflussoptimierung oder Erkennung von Gefahrensituationen – liegen in Sekundenbruchteilen vor Ein weiteres Anwendungsfeld ist die Fertigung Edge-KI-Systeme lassen sich beispielsweise nutzen um die Einhaltung von Sicherheitsvorschriften in Echtzeit zu überwachen Die KI erkennt etwa das korrekte Tragen von Schutzausrüstung oder das Betreten gesperrter Zonen und gibt unmittelbar Rückmeldung an das Personal oder die Leitwarte – ohne den Umweg über eine zentrale Cloud Edge AI braucht spezielle Hardware Die Realisierung von KI-Anwendungen direkt am Ort des Geschehens – ob in der Maschine im Fahrzeug oder im Feld – erfordert mehr als reine Rechenleistung Es braucht spezialisierte Hardwarelösungen die für industrielle Anforderungen konzipiert sind robust langlebig erweiterbar und sicher Wer Edge AI strategisch einsetzen will sollte daher bei der Wahl der Plattform auf eine Kombination aus aktuellen Prozessoren effizienter Kühlung modularem Design und umfassender Sicherheitsarchitektur achten Nur dann kann die Technologie ihr volles Potenzial entfalten – nicht nur als Innovationsmotor sondern auch als Fundament für die nächste Generation der industriellen Automatisierung ak SPS 2025 Halle 7 Stand 179 Smartes Maschinenmonitoring Anomalien mit Edge-KI detektieren KIbasiertes Maschinenmonitoring kann viel Zeit sparen kostet aber oft viel Aufwand bis zum Einsatz Oft fehlen auch Trainingsdaten Zwei neue Methoden können per unüberwachtem Lernen Anomalien erkennen ohne Fehlerzustände vorab zu trainieren Die Edge-KI funktioniert ohne Cloud-Zugang K Iund Machine Learning können in der industriellen Automatisierung viel Zeit sparen und die Effizienz steigern Für die Maschinenüberwachung hat das gemeinnützige Institut für Mikroelektronikund Mechatronik-Systeme IMMS neuartige Methoden entwickelt die den oft immensen Initialaufwand deutlich senken und diese in zwei Demonstratoren implementiert Für beide Szenarien konnte gezeigt werden dass nicht nur ein schneller Einsatz von KIbasiertem Monitoring in Unternehmen und auf dem Shopfloor möglich ist sondern dieser auch ohne Cloud-Zugang funktioniert und sich somit schlanke Monitoring-Systeme ableiten lassen Vorausschauende Wartung Für effiziente Produktionsprozesse ist es entscheidend Maschinenstörungen früh zu erkennen Ausfallzeiten zu minimieren und teure Reparaturen zu vermeiden Dafür braucht es ein kontinuierliches Monitoring meist mittels Vibrationssignalen oder der Stromaufnahme Mit Machine Learning lassen sich komplexe Muster und kleinste Veränderungen erkennen die konventionellen Methoden übersehen Jedoch ist es in der Industrie und vor allem für KMU zeitlich und organisatorisch sehr aufwändig Sensordaten aufzunehmen und potenzielle Fehler mit allen relevanten Betriebsund Stördaten für ein Training von Algorithmen zu erfassen Zudem treten im Normalbetrieb Defekte an Maschinen selten bis nie auf manche Fehler wie defekte Maschinenteile lassen sich kaum gezielt erzeugen und Rohdaten müssen meist stark vorverarbeitet werden um sie fürs Training eines KI-Modells zu nutzen Neuer Ansatz Unüberwachtes Lernen Beim unüberwachten Lernen wird ein bekannter Zustand hier der fehlerfreie Gutzustand erfasst und Algorithmen eingesetzt um Abweichungen zu erkennen und entsprechende Maßnahmen einleiten zu können In diesem Teilbereich des maschinellen Lernens werden Algorithmen eingesetzt um Muster Strukturen oder Zusammenhänge in Daten zu identifizieren – ganz ohne vorab definierte Ziel-Bild 1 Beispiel für einen sich verschlechternden Lagerzustand oben Vibrationssignale der Lager mitte Singulärwerte der Vibrationssignale unten CCA der Singulärwerte