Dieser Beitrag ist im Oktober 2018 erschienen
Am Freitag war ich wieder in der SmartFactory in Lemgo und habe das Seminar "Internet der Dinge - Daten erfassen und transportieren" besucht. Die Veranstaltung bestand aus drei Vorträgen und sollte jeweils auch einen Praxisteil umfassen. Dieser wurde aber bei zwei Vorträgen auf Grund der geringen Teilnehmerzahl (leider) weggelassen. Die drei Vorträge haben sich folgenden Themen gewidmet:
- OPC_UA
- Machine Learning / Big Data (Arthur Müller)
- IT Sicherheit in der Produktion (Simon Stöhr)
OPC_UA
Leider habe ich mir den Namen des ersten Vortragenden vergessen. Was ich aber erinnere ist, dass er der Faunhofer Abteilung "Industrielles Internet" angehörte und sich dort im Wesentlichen mit den entsprechenden Netzwerk-Standards wie Profinet, EtherCAT, generell mit time sensitive networking (TSN) und den IEEE-Standards dazu, die sich noch in der Ausarbeitung befinden, beschäftigte.
Bei TSN geht es tatsächlich um die Konvergenz der verschiedenen Netzwerk- und Protokollarten, die in der industriellen Produkton Anwendung finden. Zur Erläuterung durfte eine abgewandelte "Industrie 4.0 Pyramide" nicht fehlen. Dabei wird die folgende Pyramide immer als "Industrie 3.0" dargestellt, bei der die verschiedenen Schichten allenfalls hierarchisch und starr miteinander kommunizieren.
Während die in der "Industrie 4.0"-Welt die Kommunikation zwischen den Ebenen nicht mehr starr und hierarchisch erfolgen muß.
Die "Steuerungsebene" oder das "Control Device" wird oft auch PLC genannt. Um diese Kommunikation zu unterstützen ist einerseits eine Konvergenz der in den unteren Schichten verwendeten Netzwerkinfrastrukturen notwendig. Dazu hat das IOSB einen entsprechenden Demonstrator auf der embedded world 2018 vorgestellt. Über OPC_UA hatte ich ja an anderer Stelle schon etwas geschrieben. Natürlich ist auch ein entsprechender Standard für OPC_UA TSN in der Mache. In diesem Vortrag wurde nochmal darauf hingewiesen, dass der Standard von sehr kleinen bis zu sehr großen Devices skalierbar ist, in dem bestimmte Funktionen hinzugefügt bzw. weggelassen werden. Ebenfalls wurde nochmal der UaExpert von Unified Automation erwähnt - eine GUI, mit der man OPC_UA Server abfragen kann. OPC_UA kann offenbar sowohl im Server/Client- als auch im Pub/Sub/Broker-Modell verwendet werden. Leider musste - wie schon erwähnt - die Kommunikation mit dem Demonstrator ausfallen.
Machine Learning / BigData
Im zweiten Vortrag des Tages - Machine Learning und BigData erklärte Arthur Müller zunächst die verschiedenen Möglichkeiten, Machine Learning zu klassifizieren. Die erste Möglichkeit ist, Machine Learning nach der Art der Lernrückkopplung zu klassifizieren: supervised (überwacht), unsupervised (nicht überwacht) und reinforced (bestärkend). Eine weitere Möglichkeit ist, Machine Learning nach der Datenverfügbarkeit zu klassifizieren: streaming oder batch. Es gab noch eine dritte Möglichkeit, die ich leider schon nicht mehr erinnere.
Nach dieser Klassifizierung wurden verschiedene im Machine Learning angewandte Methoden erwähnt. Als eine der einfachsten wurde K-Means Clustering genauer vorgestellt.
Als Grund für den aktuellen Hype zur Künstlichen Intelligenz und als Unterbreich zum Machine Learning bestätigte Herr Müller, dass i. W. die Verfügbarkeit sehr leistungsfähiger CPUs, die Verfügbarkeit großer Datenmengen und die Skalierbarkeit neuronaler Netze die aktuellen Entwicklungen begünstigen.
Zum Thema Data Mining ging er dann auf CRISP-DM ein, welches ein Vorgehensmodell zum Data Mining in der Industrie beschreibt. Als Anwendung dieses Modells stellte er dann das Condition Monitoring und die verschiedenen Vorgehensweisen bei der Maintenance (reactive, corrective, preventive und predictive) vor, die verschiedene Vor- und Nachteile haben. Grundsätzlich sei die Vorhersagegüte auf Komponentenebene schon sehr hoch - auf Anlagenebene sei sie auf Grund der hohen Komplexität noch gering. Dabei geht es um die Vorhersage des "remaining useful life" (RUL) der entsprechenden Komponenten oder Anlagen.
Am konkreten Beispiel stellte Herr Müller dann ein Projekt mit der Deutschen Windtechnik AG sowie der Resolto GmbH, die inzwischen von der Festo Gruppe übernommen wurde, vor. Dabei ging es um die Anomalie-Erkennung bei Windmühlen. Dort wurde zunächst mit einer Hauptkomponentenanalyse (PCA) der 7-dimensionale Werteraum verkleinert und dann zusammen mit dem Nearest Neighbor Verfahren, welches die Mahalanobis Distanz verwendete, eine Anomalie-Berechnung durchgeführt.
Ein zweites Beispiel war der Online Timed Automaton Learning Algorithm (OTALA), der ebenfalls beim Fraunhofer Institut entwickelt worden ist. Hier wurde der Algorithmus an einem Logistikfördersystem trainiert. Der Algorithmus kann diskrete Zustände und Events unterscheiden und lernt diese online an der Maschine. Zusätzlich kann der Algorithmus noch kontinuierliche Daten der Maschine (z. B. Leistungsaufnahme) erfassen. Treten nach der Lernphase unbekannte Zustände, ungelernte Transitionen, veränderungen im Zeitverhalten oder ungelernte, kontinuierliche Daten auf, werden diese als Anomalie erkannt.
Leider entfiel auch hier der praktische Teil. Ich habe aber versucht, mir aber die genannten Werkzeuge (s. Links) zu merken.
IT-Security
Zuletzt ging es dann um IT-Sicherheit in der Produktion. Silver Bullets für die Sicherheit sind in Industrienetzen offenbar auch nicht vorhanden. Für die "Verteidigung in der Tiefe" wurde ein Zonenkonzept (z. B. auf Ebene der Produktionsmodule) vorgeschlagen, welches eine kontrollierte Kommunikation über Firewalls ggfs. unterlegt mit einer PKI-Infrastruktur erlaubt. Hier wird die im ersten Teil herbeigeführte, "dynamische" Kommunikation über mehrere Ebenen dann aus Sicherheitsgründen wieder eingehegt. Interessant war für mich, dass im Bereich "industrielle Kommunikationsnetze" nicht etwa die ISO-Norm 20007 das Maß aller Dinge ist sondern die IEC 62443. Hier haben wir uns im praktischen Teil dann wenigstens noch den Demonstrator angesehen und verschiedene Szenarien "aus der Praxis" diskutiert.
Links
Fehler vorhersagen mit künstlicher Intelligenz
Data driven modeling for system-level condition monitoring on wind power plants (PDF)
Online passive learning of timed automata for cyber-physical production systems (PDF)
Selbstdiagnose und Selbstoptimierung technischer Systeme auf Basis datenbasierter Prozessmodelle