Die 5 Hauptgründe für die Verwendung von Mesh Twin Learning in Ihrer Smart Factory

22. Januar 2020 Rafal Jasinski

Alle Welt redet über Digital Twins – doch denken wir ein wenig weiter. Digital Twins ist nur der erste Schritt, nicht das Endziel. Das Mesh Twin Learning ist die nächste Phase – lassen Sie uns das erkunden und eine Reihe von Schlüsselvorteilen aufzeigen, die MTL zu bieten hat!

Der Produktionsbereich

Industrie 4.0 und Smart Factories, also intelligente Produktionsstätten, gewinnen an Bedeutung. Laut einer Studie, die Deloitte zusammen mit MAPI durchgeführt hat, glauben 86 % der Hersteller, dass Smart Factory-Initiativen der Hauptantrieb für die Wettbewerbsfähigkeit der Industrie sein werden. Smart Factory-Initiativen nehmen bereits 30 % der globalen Budgets von Produktionsstätten in Anspruch und darüber hinaus erwarten 58 % der Befragten eine Erhöhung ihres Smart Factory-Budgets im Jahr 2020.

All dies sind gute Gründe dafür, dass die Smart Factory im Bereich der verarbeitenden Industrie auf großes Interesse stößt. Und natürlich bieten Smart Factories auch erhebliche Vorteile. Die Early Adopter, also die ersten Anwender, von Smart Factory-Initiativen berichten von zweistelligen Wachstumsraten bei den KPIs zwischen 2015 und 2018. Im Durchschnitt berichteten sie über einen 10 %igen Anstieg der Produktionsleistung, einen 11 %igen Anstieg der Kapazitätsauslastung in der Produktionsstätte und eine 12 %ige Steigerung der Arbeitsproduktivität. Laut KPMG und einer Umfrage über die britische Automobilindustrie, gehört folgendes zu den vielen Vorteilen von Digitalisierungsinitiativen:

  • Reduzierung der Maschinenstillstandszeiten um 20-35 %
  • Reduzierung der Instandhaltungskosten um 15-25 %
  • Reduzierung des Lagerbestands um 12-20 %
  • Verbesserung der Prognosegenauigkeit um bis zu 80 %
  • Steigerung der Produktivität um 30 – 50 %

Digitales Testen und echte Vorteile

Die Smart Factory verspricht viel. Höhere Produktivität, Qualitätsverbesserungen und geringere Kosten, um nur einige Beispiele zu nennen. All dies kann erreicht werden, indem die digitale Kopie einer Produktionsstätte und schließlich des gesamten Netzwerks an Produktionsstätten erstellt wird.

Die direkte Erfahrung der Early Adopters beweist, dass die Digitalisierung der richtige Weg für produzierende Unternehmen ist, doch diejenigen, die diesen Weg gehen, werden auf viele Herausforderungen stoßen. Mesh Twin Learning ist die Lösung, die den Weg erleichtert – lassen Sie uns also auf die wesentlichen Details eingehen!

Von Digital Twins einzelner Assets zum Werksnetz

Einer der wichtigsten Eckpfeiler von Industry 4.0 ist der Digital Twin, die virtuelle Kopie eines physischen Assets. Digital Twins speichern verschiedene Arten von Daten über die jeweiligen physischen Anlagen, von CAD-Konstruktionen und optimalen Leistungsparametern bis hin zu Wartungsberichten und Echtzeitdaten, die von IIoT-Sensoren erfasst werden.

Der Digital Twin eines einzelnen Assets und die Visualisierung einfacher Echtzeitdaten sind die Lösung, die einen hohen wirtschaftlichen Nutzen generiert. Dazu gehört eine verbesserte Sichtbarkeit, die zu sachkundigeren Entscheidungen, besserer Leistung und besserer Problemerkennung führt. Wir haben zuvor hier (und hier) über die Digital Twin-Technologie in einem breiteren Kontext gesprochen. Konzentrieren wir uns nun darauf, sie auf die nächste Ebene zu bringen.

Der Nutzen, den Digitalisierungsinitiativen bieten, wächst exponentiell mit dem Umfang der Lösung, von einem einzelnen Asset bis hin zu einem Netzwerk von Produktionsstätten. Die Verbindung der Digital Twins von Produktionsstätten und Lieferketten eröffnet eine ganz neue Welt der Innovations- und Optimierungsmöglichkeiten.

Wie die meisten Konzepte, die Veränderungen mit sich bringen, sind auch Industrie 4.0 und die zugehörigen digitalen Produktionsstätten mit einer Reihe von Hürden verbunden. Es gibt verschiedene unternehmerische Herausforderungen, wie die Festlegung der Digitalisierungsstrategie, die Auswahl der besten Initiativen, die Entscheidung, wo man anfangen soll, und sogar die Überzeugung der Mitarbeiter, den Status quo zu durchbrechen und die Veränderung anzunehmen.

Es bestehen auch technische Herausforderungen, wie z.B. welche Technologien zu verwenden sind, welche Architekturen zu wählen sind, wie die Datenspeicherung gewährleistet werden kann und sogar die hohe Rechenleistung, die von den Technologien für große Datenmengen und maschinelles Lernen benötigt wird.


Die Implementierung einer digitalen Produktionsstätte wäre sogar in einem Greenfield-Projekt eine Herausforderung – ich möchte keineswegs den Eindruck erwecken, dass es sich um eine Ein-Klick-Bereitstellung handelt. Tatsache ist, dass die meisten Smart Factory-Projekte auf bestehende Anlagen abzielen und nicht auf die Planung und den Bau völlig neuer Produktionsstätten. Schließlich möchten die Unternehmen so viel wie möglich aus den bereits vorhandenen Einrichtungen und dem Inventar herausholen.

Vorhandene Produktionsanlagen bestehen oft aus einer Mischung von Anlagen, von alten, aber voll funktionsfähigen Maschinen, die nachgerüstet werden müssen, bis hin zu modernen Geräten, die bereits mit IIoT-Sensoren ausgestattet sind. Daraus ergeben sich verschiedene Kommunikationsstandards, Datenformate und mehr. Hinzu kommt, dass für den Austausch großer Datenmengen leistungsfähige Internetverbindungen erforderlich sind, die in den meisten bestehenden Produktionsstätten nur selten vorhanden sind.

 

Mesh Twin Learning

Mesh Twin Learning (MTL) ist eine Lösung, die verschiedene moderne Technologien kombiniert, um viele der technologischen Herausforderungen im Zusammenhang mit der digitalen Produktionsstätte, insbesondere mit digitalen Produktionsnetzwerken, zu lösen.

Figure 1. MTL: high-level architecture

MTL kombiniert moderne und affine Technologien, wie zum Beispiel:

  • Industrial Internet of Things (IIoT) – Sensoren und andere Geräte, die mit industrieller Software vernetzt sind. Diese Konnektivität ermöglicht die Sammlung, den Austausch und die Analyse von Daten.
  • Edge Computing – Eine Art von Systemarchitektur, bei der die Datenspeicherung und die Rechenkapazitäten an den Rand (Edge) verlegt werden. Dies wird durch spezifische Geräte unterstützt, die an das globale Netzwerk angeschlossen sind und so eine dezentrale Datenverarbeitung mit sofortigem Zugriff auf die Ergebnisse und eine nahtlose Kommunikation mit Cloud-Ressourcen ermöglichen. Weitere Informationen zu Edge Computing finden Sie hier
  • Cloud – Ein großes Netzwerk von miteinander verbundenen Datenzentren, die als ein einziges Ökosystem arbeiten und die notwendigen Ressourcen, Rechenleistung und Dienste bereitstellen, um Anwendungen auszuführen oder die Inhalte an die Endbenutzer zu liefern.
  • Digital Twins – Eine virtualisierte Kopie eines physischen Geräts, einer Komponente oder eines Lebewesens, die ihren Zustand als Reihe von Parametern darstellt, die ständig überwacht und zeitlich aktualisiert werden. Dies ermöglicht die Digitalisierung von Prozessen, Systemen und Orten bis hin zum Menschen. Digital Twins ermöglichen erweiterte Simulationen, eine bessere Überwachung und eine effektivere Entscheidungsfindung über den Status eines dezentralen Systems.
  • Machine Learning – Auch maschinelles Lernen, ein Konzept, das die Fähigkeit zum automatischen Lernen und zur Verbesserung von Erfahrungen umsetzt. Es verwendet verfügbare Daten, ohne explizit als Satz statischer Verhaltensweisen implementiert zu werden.
  • Data Science – Auch Datenwissenschaft, eine Reihe von wissenschaftlichen Methoden und Techniken, die darauf abzielen, Wissen aus der Umgebung zu extrahieren sowie strukturierte und unstrukturierte Daten aus allen verfügbaren Quellen zu verwenden, um alle Prozesse zu unterstützen, die auf Entscheidungen, Vorhersagen oder Unternehmensführung ausgerichtet sind.
  • Mesh – Ein Ansatz für den Aufbau, die Skalierung und den Betrieb dezentraler Ökosysteme. Das Hauptaugenmerk liegt auf Sicherheit, Konnektivität und Zuverlässigkeit der entworfenen Architektur. Dies wird implementiert, um die Notwendigkeit einer vollständigen gemeinsamen Nutzung der Assets zu begrenzen und stattdessen funktionsübergreifende Fähigkeiten verschiedener Teile des Systems einzuführen.

Weitere Informationen zum MTL-Konzept finden Sie in einem anderen Beitrag.

Wie Unternehmen von Mesh Twin Learning profitieren können

Mesh Twin Learning befasst sich mit allgemeinen technischen Herausforderungen im Zusammenhang mit der digitalen Transformation. Hierdurch entstehen geschäftliche Vorteile:

  1. Interoperabilität

Greenfield-Projekte sind im Bereich der digitalen Transformation und insbesondere in der Produktion selten. Die meisten Projekte versuchen, bereits bestehende Prozesse und physische Geräte zu digitalisieren. Ältere Maschinen verfügen oft nicht über IIoT-Sensoren und müssen nachgerüstet werden, wohingegen neuere Maschinen bereits über IIoT-Sensoren verfügen.

Das Problem ist, dass diese Sensoren unterschiedliche Kommunikationsstandards verwenden, Daten in unterschiedlicher Struktur senden und auf unterschiedliche Weise konfiguriert sind. Dies wird zu einem noch größeren Problem, wenn wir uns mit der Digitalisierung vieler Produktionsstätten befassen. Die MTL verfügt über dedizierte Edge-Geräte als Verbindungen zwischen bestimmten Maschinen und gewöhnlichen Daten, mit einem Machine Learning-Repository in der Cloud. Jedes Edge-Gerät sammelt Daten von der Maschine, einschließlich ihrer Sensoren, und sendet für die Maschine vorbereitete Anweisungen.

Die von diesen Edge-Geräten gesammelten Daten werden dann an den zentralen Datenspeicher in der Cloud gesendet, wo sie in den gemeinsamen Standard konvertiert werden können, bevor sie analysiert, visualisiert und in Modelle für maschinelles Lernen eingespeist werden.

  1. Bessere Leistungsüberwachung, schnellere Entscheidungen

Ein zentrales Repository, das mit Daten von Edge-Geräten gespeist wird, ermöglicht die Erstellung von Dashboards, die eine unternehmensweite, zeitnahe Übersicht über Anlagen und Prozesse bieten können. Mit einer solchen zentralen Koordinierungsstelle müssen sich Führungskräfte und Manager weniger auf ihre Erfahrung und Intuition verlassen – stattdessen werden sie über Daten verfügen, die sie benötigen, um genau dann eine Entscheidung zu treffen, wenn sie diese benötigen.

Ein zentrales Dashboard unterstützt nicht nur die Entscheidungsfindung, sondern erleichtert auch die Leistungsüberwachung auf Unternehmensebene. Dashboards stellen Prozess-KPIs und Maschinenleistung dar, die helfen, Engpässe zu entdecken und potenzielle Probleme zu verfolgen, bevor sie sich zu ernsthaften Störungen entwickeln und zu Ausfallzeiten und damit zu Umsatzeinbußen führen. Schließlich ist eine Produktionsstätte, die nicht produziert, nicht profitabel.

  1. Selbstoptimierende Produktionsstätten

Eines der Hauptelemente des Mesh Twin Learning ist Machine Learning – genauer gesagt, der Wettbewerb zwischen den Modellen des Machine Learning. Die Cloud-Komponente von MTL umfasst eine Machine Learning Engine mit mehreren Modellen, die mit Daten von den Edge-Geräten gespeist werden.

Diese Engine versucht ständig, die Modelle zu optimieren, um die bestmögliche Leistung für jeden Prozess oder jede Maschine, für die sie verantwortlich ist, zu ermöglichen. Modelle, die die gleiche Aufgabe haben, z.B. die Qualität der Leuchtstoffe in einer Produktionsstätte für LED-Leuchten zu verbessern, werden mit Daten von verschiedenen physikalischen Geräten, wie z.B. verschiedenen Produktionslinien, gespeist. Das bedeutet, dass sich jedes Modell an unterschiedliche Veränderungen im Prozess anpasst.

Wenn die Modelle einmal mit Hilfe der realen Welt trainiert worden sind, werden sie anschließend in einer digitalen Replik getestet. Die Modelle werden auf die in der virtuellen Simulationsmaschine ausgeführten Prozesse angewandt und ihre Ergebnisse verglichen. Diejenigen, die die besten Ergebnisse liefern, können automatisch auf Edge-Geräte verteilt werden, wo sie dann auf reale Prozesse angewendet werden.

  1. Maximierung der Leistung für schnellere Innovation

Durch den Zugriff auf unternehmensweite Daten haben die Mitarbeiter die Möglichkeit, neue Muster zu entdecken, Abhängigkeiten zwischen Prozessen zu erkennen und Erkenntnisse abzuleiten, um die Prozessleistung weiter zu verbessern, Bestände zu reduzieren und so weiter. Mit einem Netzwerk aus Produktionsstätten, das durch die MTL-Technologie ermöglicht wird, können Unternehmen die Kapazitätsauslastung aller Produktionsstätten sehen und gemeinsam Prozesse im gesamten Netzwerk planen, wobei Produktions- und Bestandsdaten in Echtzeit verwendet werden, um Abfall und Zykluszeiten zu minimieren.

Darüber hinaus werden bei den Machine Learning-Modellen, die bereits in der zentralen Machine Learning Engine eingesetzt werden, ständig neue Einstellungen der Prozessvariablen getestet, um die Leistung zu verbessern. Dies geschieht rund um die Uhr und in einem Tempo, das weit über dem liegt, was Menschen erreichen könnten.

Ebenso bietet MTL die Möglichkeit, Modelle über die Simulationsengine zu testen, bevor sie auf den physikalischen Prozess angewendet werden. Auf diese Weise werden die Ergebnisse viel schneller bereitgestellt, da die einzige Einschränkung die Rechenleistung ist, die in der Cloud nahezu unbegrenzt ist. Diese Simulationsengine ist auch der Ort, an dem das Data Science-Team neue Konzepte im Handumdrehen testen kann – ohne Konsequenzen für den realen Prozess.

  1. Einfacheres Change Management

Die Umsetzung von Änderungen braucht Zeit. Im Zusammenhang mit digitalen Produktionsstätten gibt es verschiedene Arten von Änderungen, bei denen MTL hilft, einschließlich der Konfiguration von Edge-Geräten und Änderungen von Einstellungen, die mit den Geschäftsprozessen zusammenhängen, wie z.B. Unternehmensregeln und Warnschwellen.

Es gibt auch Änderungen an den Machine Learning-Modellen, die auf Maschinen eingesetzt werden. Eine derart komplexe Umgebung manuell zu verwalten, wäre sehr zeitaufwändig und fehleranfällig.

Die MTL bietet jedoch ein zentrales Repository mit Konfigurationen von Edge-Geräten, Engines für Unternehmensregeln und Machine Learning-Modellen. Ein solches zentrales Repository umfasst ein Register der physischen Assets und weiß genau, welche Änderungen eingesetzt werden sollten – und wo. Dies bedeutet, dass neue Versionen des Machine Learning-Modells oder der Konfiguration der Edge-Geräte in wenigen Minuten statt in Tagen auf allen Geräten bereitgestellt werden können.


Zusammenfassung

Wenn ein Digital Twin großartig ist, und zwei besser, dann ist ein ganzes Netzwerk von vernetzten Digital Twins unglaublich wertvoll. Ich bin zuversichtlich, dass, wie ich bereits gezeigt habe, richtig vernetzte Machine Learning-Modelle die netzwerkweiten Vorteile schneller als jedes andere Mittel implementieren können, was zu größeren Vorteilen führt, die in breiterem Umfang und mit bisher ungeahnten Geschwindigkeiten bereitgestellt werden. Der Erfolg kommt nicht von heute auf morgen, aber die langfristigen Ergebnisse sind es sicher wert.

Quellen

Unsere Empfehlungen