Smart Process Manufacturing Kongress 2022 Was Sie immer schon über KI wissen wollten

Von Sabine Mühlenkamp

An Datenmangel wird die Digitalisierung in der Prozessindustrie ganz sicher nicht scheitern, viel eher an deren Analyse und der Modellierung. Was Sie mit KI alles aus ihren Daten herausholen können, zeigen drei Vorträge auf dem Smart Process Manufacturing Kongress am 3. und 4. Mai 2022.

Anbieter zum Thema

(Bild: gemeinfrei / Pixabay )

Mit dem Aufkommen preisgünstiger IIOT-Geräte wachsen inzwischen Sensordaten 50 mal schneller als Geschäftsdaten. Allerdings werden nur zwei Prozent dieser Sensordaten tatsächlich genutzt. Dabei kann über Schallfrequenzen, Temperatur, Druck oder Vibrationen frühzeitig erkannt werden, ob eine Maschine repariert oder ob ein Prozess optimiert werden kann.

Integration unterschiedlicher Datenquellen

Die Herausforderung: Meist liegen die Daten in unterschiedlichsten Formaten vor und stammen aus verschiedenen Quellen, sogar Bilder und Videos finden sich darunter. Nun geht es darum, Modelle zu erstellen, die nicht nur durch die reine Rechenleistung bestechen, sondern eben auch Analysen von Fachexperten einbinden.

Smart Process Manufacturing Kongress

Der Smart Process Manufacturing Kongress am 3./4. Mai steht in diesem Jahr unter dem Motto „Digitalisierung als Hebel für mehr Nachhaltigkeit“. Erleben Sie zukunftsweisende Impulse und lösungsorientierte Best Practice-Beispiele. Lassen Sie sich inspirieren und nutzen Sie den Austausch unter Experten auf der Netzwerkplattform Nummer 1.

Jetzt anmelden!

Dominic Gallello, CEO von Symphony Industry AI, stellt in Würzburg einen interessanten Ansatz vor, mit dem es gelang, ungeplante Abschaltungen in Ammoniakanlagen aufgrund unbemerkter Prozessänderungen zu vermeiden und die Laufzeit kritischer Gaskompressoren in LNG-Anlagen zu verlängern und gleichzeitig hohe Durchsatzbedingungen zu erreichen. Dabei wurden die KI-Modelle durch Plattform-Tools unterstützt, die die Aufgabe der Datenaggregation und Modellerstellung durch Prozessexperten leicht skalierbar machen.

Wie validiert man KI-/ML-Systeme im regulierten Umfeld?

Das Stichwort „Leicht“ war auch die Vorgabe bei der Umsetzung von KI- und Machine Learning-Lösungen in der pharmazeutischen Produktion. Dabei fragte sich das Team um Dr. Julia Fix, Senior Consultant bei Chemgineering Germany, nicht nur, wie sich solche Systeme einer regulierten Industrie einführen lassen, sondern wie sich ein einfacher und effizienter Weg zur Validierung von KI/ML-Systemen finden lässt. Dazu muss man wissen: Derzeit existiert weder ein Validierungsansatz noch konkrete Vorschriften, wie eine solche Validierung von KI/ML-Systemen aussehen könnte. So hat die FDA zwar vor zwei Jahren ein Diskussionspapier zu Medizinprodukten veröffentlicht, aber noch keine Richtlinien für die pharmazeutische Produktion erstellt. Größte Herausforderung dabei ist, dass die Systeme des maschinellen Lernens Blackboxen sein können und damit nicht erklärbar sind. Wie lassen sich solche neuen Technologien in den Systemlebenszyklusprozess integrieren und wie können die dafür nötigen Validierungskomponenten nach und nach entwickelt werden? Antworten darauf gibt Dr. Fix in ihrem Vortrag.

Praxisbeispiel: KI spart Kosten im Predictive Maintenance

Dass KI längst kein Luftschloss mehr ist, zeigt eine Anwendung bei Emerson (Aventics), die von AIM umgesetzt wurde. Aventics bietet Produkte und Dienstleistungen rund um die Pneumatik für die Branchen Food & Beverage, Life Sciences und Energy an. In diesen Branchen eröffnet sich ein gewaltiges Potential für Einsparungen. So führen Luftleckagen in pneumatischen Systemen zu hohen Energieverlusten, die sogar ungeplante Stillstände verursachen können. Während Ad-hoc-Leckagen meist direkt vom Fachpersonal erkannt werden, sieht das bei schleichenden Leckagen ganz anders aus. Diese werden entweder zu spät oder gar nicht detektiert. Dabei verursacht bereits eine Leckage, von der Größe eines Stecknadelkopfes, Kosten von bis zu 22.000 Euro pro Jahr. Dem Team um Arvin Arora, AIM, gelang es mit Hilfe von KI-Technologien, solche Leckagen frühzeitig zu erkennen und diese auch möglichst genau zu verorten. Vor allem letzterer Punkt ist herausfordernd. Dennoch: Das relativ einfache Modell erreicht eine Prognosegenauigkeit von über 90%. Damit konnten die Wartungskosten bei Aventics verringert und ungeplante Ausfallzeiten reduziert werden.

Weitere Praxisbeispiele rund um KI und Machine Learning gefällig? Dann melden Sie sich hier für unseren zweitägigen Smart Process Manufacturing Congress in Würzburg an.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

(ID:48167076)