Im Anlagen und Automatisierungsgeschäft ist das Ziel der IT, die perfekte Kontrolle der Prozesse zu erreichen. Dafür werden in der Regel höchst verlässliche und nachvollziehbare Technologien eingesetzt. Prozesse werden gesteuert und geregelt - nach strengen Gesetzmäßigkeiten. Läuft etwas schief, so müssen alle Vorgänge nachvollziehbar und eindeutig sein.In dem Bereich, wo dies von hoher Bedeutung ist, wird die KI in naher Zukunft noch keine Bedeutung haben.

Es gibt aber auch viele Anwendungen, wo man mit der herkömmlichen Steuerungstechnik aufgrund der fehlenden Flexibilität an seine Grenzen kommt. Dort ist der Eingriff von Bedienpersonal noch unabdingbar. Der Mensch macht allerdings auch Fehler, die es ein zu kalkulieren gilt.  Das gelingt zwar gut, allerdings ist der Aufwand teils erheblich.

Die Forschungsabteilungen arbeiten mit Hochdruck an der Weiterentwicklung der KI in der Automation. Es gibt viele sinnvolle Anwendungen, die in den nächsten Jahren den Automatisierungsmarkt verändern werden.

FexibilitätRoboterGreift

Bei der Robotertechnik ist das größte Problem die fehlende Flexibilität. Zwar können Roboter mit Kameras erkennen, wo sich Werkstücke befinden und diese dann gezielt anfahren, allerdings gibt es beim Greifen der Objekte erhebliche Anpassungsprobleme. Ein Mensch kann ein Objekt optisch erfassen und sich überlegen, wie er es richtig anfasst, um es sicher und unbeschädigt von einer zu anderen Position bewegt. Mit herkömmlichen Methoden lässt sich diese Handlungsweise nicht auf den Roboter übertragen. In der aktuellen Robotertechnik ist es immer noch so. das der Roboter nur ganz bestimmte Bauteile und oft sogar nur in spezifischen Handhabungsadaptern eingespannte Objekte greifen kann. In der Automobilindustrie werden extrem teure Rahmen für jedes einzelne Teil benötigt, damit diese von Robotern transportiert und fixiert werden können. Einen Greifarm für Roboter zu entwickeln, der tausende verschiedene Objekte sicher greifen kann ist ein vielversprechender Entwicklungsbereich für Künstliche Intelligenz und Maschinelles Lernen.  

Optimierung

Ein Beispiel kommt aus dem Bereich Predictive Maintenance. Um Produktionsausfälle zu vermeiden werden Komponenten oft nach einer definierten Laufleistung vorsorglich ausgetauscht (Preventive Maintenance). Das ist natürlich keine optimale Lösung. Die Industrie ist hier dazu übergegangen die Komponenten durch Sensoren zu überwachen (Condition Monitoring). Die Vibrationen eines Antriebs oder dessen Temperaturanstieg können hier z.B. einen Ausfall ankündigen. dem man dann durch den Austausch des Teils zuML.NET Microsoft Machine Learning for .Net vor kommen kann. Die Sensordaten können gespeichert und von KI ausgewertet werden. Auch das Teilen der Daten über die Cloud und eine Interpretation durch die KI des Herstellers sind interessante Anwendungen. 

Die Entwicklung der KI und des ML geht in großen Schritten voran.  Im Moment beobachten wir den Markt und die verfügbaren Produkte. Ein Blick in das ML Framework von Microsoft ist auch sehr zu empfehlen.