In der modernen Industrie und in Kontrollräumen stehen drei Ziele im Vordergrund: Abläufe optimieren, Sicherheit gewährleisten und Kosten senken. Künstliche Intelligenz (KI) setzt sich zunehmend als naheliegende Antwort auf diese Herausforderungen durch. Sie hält nach und nach Einzug in zahlreiche Industrie- und Dienstleistungsprozesse, sei es zur Überwachung sensibler Anlagen und Prozesse oder zur Optimierung betrieblicher Abläufe.

Bevor ein Unternehmen jedoch KI einführt, sollte es keinen Schritt überspringen. Dieser Artikel vermittelt dafür das nötige Grundwissen anhand von zwei zentralen Bausteinen: Algorithmen und Modellen der künstlichen Intelligenz.

Ein konkreter Anwendungsfall: vorausschauende Wartung in einem Werk

Stellen Sie sich eine unverzichtbare Pumpe in einer Produktionslinie vor. Fällt sie unerwartet aus, können Produktionsverluste und Notreparaturen sehr teuer werden. Es gibt zwar Methoden der korrektiven und präventiven Instandhaltung, die Einsatzkosten senken oder bestimmte Ausfälle verhindern. Den Zustand von Hunderten Anlagen in Echtzeit zu verfolgen und hochkomplexe Zusammenhänge in den Daten zu erkennen, bleibt damit aber schwierig.

Genau hier kann KI ansetzen. Im Fall der Pumpe lassen sich große Datenmengen von ihren Sensoren erfassen (Vibration, Temperatur, Druck usw.), aber auch aus ihrem Umfeld (Stromverteilung, Feldbus usw.), um damit ein KI-Modell zu trainieren. In diesem konkreten Beispiel eignet sich etwa eine SVM (Support Vector Machine), um das Modell zu erstellen.

Nach dem Training analysiert das Modell kontinuierlich die neuen Sensordaten und kann den Ausfall vorhersagen, bevor er überhaupt eintritt. Dank dieser Vorhersagefähigkeit lässt sich die Wartung zum richtigen Zeitpunkt planen, was die hohen Kosten ungeplanter Stillstände deutlich reduziert.

Machine Learning, Deep Learning, generative KI: Wer macht was?

Das Feld der KI ist weit. Umso wichtiger ist es, die einzelnen Teilbereiche voneinander abgrenzen zu können, um zu wissen, wovon eigentlich die Rede ist.

Geht es um Datenanalyse und darauf gestützte Entscheidungen, ist meist Machine Learning (ML) gemeint, auf Deutsch auch maschinelles Lernen. Es bildet die Grundlage der meisten KI-Anwendungen in der Industrie. Das Prinzip eines ML-Modells: Es lernt, Informationen aus Daten zu gewinnen, ohne explizit dafür programmiert worden zu sein.

Deep Learning (DL) ist ein Teilgebiet des Machine Learning. Es zeichnet sich durch komplexere künstliche neuronale Netze mit zahlreichen Schichten aus. Besonders stark ist Deep Learning bei der Analyse unstrukturierter Daten wie Bilder (etwa zur Erkennung optischer Fehler an einer Produktionslinie), Töne oder Texte. Für ein wirksames Training benötigt es in der Regel viel Rechenleistung und große Datenmengen.

In jüngerer Zeit ist vor allem von generativer KI die Rede. Dieses weitere Teilgebiet der KI stützt sich teilweise auf Deep-Learning-Techniken und konzentriert sich auf das Erzeugen von Inhalten, ob Text, Code, Bilder oder sogar Musik. Große Sprachmodelle (LLM), wie sie Chatbots antreiben, sind das bekannteste Beispiel. Generative KI eröffnet vielversprechende neue Anwendungen (Unterstützung beim Verfassen von Berichten, Erstellung von Verfahrensanweisungen). Sie ist jedoch eine andere Facette als das klassische ML/DL, das in der Industrie für prädiktive Analysen oder Anomalieerkennung eingesetzt wird.

Überwachtes und unüberwachtes Lernen im Machine Learning

Den Kern des Machine Learning bilden Algorithmen. Diese Algorithmen sind eine Art „Rezept“ oder Verfahren, mit dem sich aus Daten und festgelegten Parametern ein Modell erstellen lässt. Je nach Lernweise lassen sie sich in zwei große Familien einteilen:

1. Überwachtes Lernen: Die gängigste Methode, um Vorhersagen zu treffen. Sie benötigt „gelabelte“ Daten, also Daten, bei denen das erwartete Ergebnis bereits bekannt ist. Um etwa den Ausfall einer Pumpe vorherzusagen, erhält das Modell historische Sensordaten zusammen mit der Information, ob die Pumpe an einem bestimmten Tag normal lief oder ausgefallen ist. Das Modell lernt den Zusammenhang zwischen den Sensorwerten und der Wahrscheinlichkeit eines Ausfalls. Das überwachte Lernen umfasst zwei Arten von Algorithmen: Klassifikationsalgorithmen (Daten in Kategorien einordnen, etwa „Ausfall steht bevor“ oder „Normalbetrieb“) und Regressionsalgorithmen (einen kontinuierlichen Zahlenwert vorhersagen).
2. Unüberwachtes Lernen: Hier sind die Trainingsdaten nicht gelabelt. Der Algorithmus muss verborgene Muster oder Strukturen in den Daten selbst entdecken. Unüberwachtes Lernen eignet sich beispielsweise, um Anlagen mit ähnlichem Verhalten automatisch zu gruppieren oder um auffälliges Verhalten zu erkennen, das von der durch die Daten definierten Norm abweicht.

Die Trainingsphase

Ein KI-Modell entsteht in einer Trainingsphase, in der ein Lernalgorithmus die Parameter des Modells anhand eines Datensatzes anpasst. Es handelt sich um einen iterativen Prozess, der die Leistung des Modells für die ihm zugewiesene Aufgabe optimiert (vorhersagen, klassifizieren, gruppieren usw.). Training und Optimierung sind fester Bestandteil der Data Science und werden in der Regel von spezialisierten Fachleuten übernommen, den Data Scientists.

Ein einfaches Beispiel: der Entscheidungsbaum als Klassifikationsalgorithmus

Ziel ist ein Modell, das anhand von zwei Messgrößen, Temperatur und Druck, erkennt, ob sich ein Prozess in einem kritischen Zustand befindet.

1. Datenerfassung: Vorhanden ist eine Historie der Temperatur- und Druckwerte sowie des jeweiligen Prozesszustands (kritisch oder nicht, also das vorherzusagende Ereignis).
2. Funktionsweise des Algorithmus: Der Algorithmus analysiert diese Daten, um mit einfachen Fragen („Wenn …, dann …“) die beste Trennung zwischen kritischen und unauffälligen Situationen zu finden.
3. Training des Modells: Eine Regel, die der Algorithmus entdecken könnte, lautet etwa: „Liegt die Temperatur über 80 °C, ist der Prozess mit 90 % Wahrscheinlichkeit in einem kritischen Zustand.“ Anschließend könnte er die Regel verfeinern: „Temperatur > 80 °C UND Druck > 5 bar: Die Situation ist in 99 % der Fälle kritisch.“ So entsteht eine Reihe verschachtelter Regeln, ähnlich den Ästen eines Baumes.
4. Das Modell ist einsatzbereit: Das Ergebnis der Trainingsphase ist das Modell, das nun mit neuen Daten unter realen Bedingungen arbeiten kann. Treffen neue Temperatur- und Druckwerte in Echtzeit ein, wird der Baum (das Modell) durchlaufen: „Ist die Temperatur > 80 °C? Ja. Ist der Druck > 5 bar? Ja. Die Situation ist also kritisch.“ So liefert das Modell in kürzester Zeit eine Vorhersage.

Grundlegend ist die Unterscheidung zwischen dem Algorithmus (der Lernmethode) und dem Modell (dem einsatzbereiten Ergebnis des Lernens). Diese Konzepte aus Machine Learning und Deep Learning machen es möglich, große Mengen an Rohdaten in Informationen mit hohem Mehrwert für den Betrieb zu verwandeln.

KI ist kein Zauberstab, aber ein wirkungsvoller Hebel. Als Überwachungswerkzeug steigert sie Effizienz, Sicherheit und Leistung im Kontrollraum ebenso wie in zentralen Prozessen.

In Kombination mit den Tools für Datenvisualisierung und Ereignismanagement von Motilde ebnet sie den Weg zu einem leistungsfähigeren, erweiterten Kontrollraum: proaktiver, intelligenter und in der Lage, jede Information in eine fundierte Entscheidung zu verwandeln.

Bereit, Ihren Kontrollraum
zu planen oder zu optimieren?

Laden Sie jetzt unseren kostenlosen Leitfaden herunter und entdecken Sie Best Practices für Kontrollräume.

Kontrollraum-E-Book sichern

Vertrauen Sie auf Motilde bei der Konzeption und Optimierung Ihrer KI-gestützten Kontroll- und Überwachungsumgebungen. Kontaktieren Sie uns, um mehr zu erfahren. Ein spezialisierter Ingenieur meldet sich schnellstmöglich bei Ihnen.