Projekt „KOSMoS“

IIoT: Vernetzte Maschinen für eine intelligente Produktion und vorausschauende Wartung

Die Vernetzung von Maschinen, intelligenten Computern und anderen Geräten im industriellen Umfeld führt zu einer immer größer werdenden Menge an produktionsrelevanten Daten, die erhoben, verarbeitet und verfügbar gemacht werden können. Für einen funktionierenden Austausch zwischen den verschiedenen Plattformen sind neben den eingesetzten Sensoren und Smart Devices auch standardisierte Protokolle wie OPC UA und MQTT von großer Bedeutung. Die generierten Daten liegen häufig zwar sehr hochfrequent, hochdimensional und im Sinne von Big Data vor, jedoch existieren in der Regel nur wenige Data Samples. Um auf den erhobenen Daten intelligente Prozesse wie Zustands- und Fehlerüberwachung oder Predictive Maintenance aufzubauen und hierdurch die Vision einer intelligenten Produktion zu verwirklichen, sind spezielle Methoden und Algorithmen gefragt. Sowohl im Data Engineering als auch im Bereich Data Science bringt inovex seine Kompetenz ins KOSMoS-Projekt ein.

Datengetriebene Geschäftsmodelle im IIoT

KOSMoS bietet der Industrie, als Anwender von Datenanalysen und Machine Learning, die Möglichkeit, die eigene Produktion und Prozesse effizienter, flexibler, schneller und damit konkurrenzfähiger zu gestalten.  Darüber hinaus können durch die gewonnenen Informationen neue Angebote und datenbasierte Geschäftsmodelle etabliert werden. Ein Wertschöpfungsnetzwerk entsteht: Transparente Wartungskonzepte, dynamisches Leasing oder ein Qualitätsnachweis ausgelieferter Produkte lassen auch die Kunden von den Daten profitieren. Vorteile können sich beispielsweise durch einen geringeren und effektiveren Wartungsaufwand und -prozess, eine kostengünstigere und effizientere nutzungsbasierte Leasingrate oder einen optimierten Produktionsprozess bemerkbar machen. inovex hat die Industriepartner im KOSMoS-Projekt insbesondere bei der Anforderungsanalyse unterstützt und die Ergebnisse in datenanalytische Fragestellungen übersetzt.

Blockchain: Gegenseitiges Vertrauen schaffen

Ein zusammenhängendes Wertschöpfungsnetz, in dem kooperierende Firmen firmenübergreifend Produktions- und Prozessdaten austauschen, kann Mehrwerte für jeden beteiligten Partner erzeugen, sofern ausreichend Vertrauen besteht. Teil der zentralen KOSMoS-Instanz ist deshalb eine Blockchain-basierte Lösung, die in KOSMoS als „Single-Source-of-Truth” dient.  Eine Blockchain ist ein Datenspeicher, der nicht nur von einer Firma verwaltet wird, sondern gleichzeitig dezentral und transparent bei allen Geschäftspartnern vorliegt und somit aus technischer Sicht ein Netz verteilter, voneinander unabhängiger Server darstellt. Die Verkettung der Datensätze, sowie die Einigung aller Netzwerkknoten über einen sogenannten Konsensus-Algorithmus bezüglich der Korrektheit von Zuständen verhindert eine nachträgliche Umkehrbarkeit und Manipulation der Daten.

Innerhalb der Blockchain lassen sich sogenannte „Smart Contracts“ implementieren. Diese stoßen – ausgelöst durch einen Daten-Schwellwert oder eine andere Aktion – einen Prozess an, der auf Basis manipulationssicher gespeicherter Daten automatisiert weitere Prozesse innerhalb einer Wertschöpfungskette ermöglicht. Auf diese Art und Weise können Verträge abgebildet, abgewickelt, überprüft und gleichzeitig Transaktionskosten gesenkt sowie Vertragssicherheiten gesteigert werden.

Analyse-Plattform: Machine Learning im produktiven Einsatz

Teil des KOSMoS-Systems ist neben der Datenspeicherung auch eine Analyse-Plattform, die sowohl lokal als auch in einer Cloud-Infrastruktur ausgeführt werden kann. Sie ist durch einen Konnektor im lokalen KOSMoS-System angebunden und ist in der Lage, aus den erzeugten Daten unter anderem mögliche Muster zu erkennen, die dazu beitragen, die Maschinen besser zu verstehen und Maßnahmen abzuleiten. Beispielsweise könnten Wartungszyklen nicht mehr zeitbasiert, sondern bedarfsbasiert sein und es so im Sinne der Predictive Maintenance ermöglichen, Maschinenteile zum besten Zeitpunkt auszutauschen.

Aufgrund der Vielzahl unterschiedlicher Komponenten, insbesondere Machine Learning Libraries und Tools, existieren selbst unter Tech-Giganten unterschiedliche Meinungen darüber, welche die besten Ansätze für Pipelines im produktiven Einsatz sind. Im Rahmen von KOSMoS hat inovex an Architekturkonzepten geforscht, mit denen sich modulare Datenverarbeitungs- und Machine-Learning-Komponenten sicher und zuverlässig nicht nur in der Cloud, sondern auch „at the edge“ oder „in the fog“, also deutlich näher am „Hallenboden“ betrieben werden können.

Kleinere Analysen und Auswertungen, um beispielsweise während des Betriebs Ausreißer oder Anomalien in den Daten zu entdecken, die auf ein Fehlverhalten der Maschine hindeuten, können direkt lokal auf der Edge durchgeführt werden. Damit verlassen die Daten den Hallenboden nicht notwendigerweise. Für interaktive, explorative Offline-Analysen und komplexe Vorhersagen bedarf es der Verlagerung in die Cloud, um die historischen Maschinendaten über einen gewissen Zeitraum zu speichern und die komplexen Machine-Learning-Modelle zu generieren. Dazu benötigen Analysten eine Möglichkeit, zentral auf die Daten zugreifen und mit ihnen arbeiten zu können.

Federated Learning: Kollaboratives Training mit privaten Daten

Wenn Informationen den Hallenboden jedoch auf keinen Fall verlassen dürfen, sprich nicht in die Cloud gelangen sollen, schafft die Integration von föderiertem Lernen in KOSMoS Abhilfe. Beim föderierten Lernen stellen mehrere Unternehmen ihre privaten Daten für das kollaborative Training eines Modells zur Verfügung, wobei die Daten bei den Teilnehmenden selbst verbleiben und nicht zentral in der Cloud oder auf einem gemeinsamen Server gesammelt werden und nur die lokalen Modelle bzw. Modellparameter ausgetauscht werden. Somit bleibt der Schutz der Daten gewährleistet, während alle vom kollaborativ trainierten Modell profitieren.

In KOSMoS sind die Voraussetzungen für die Anwendung von föderierten Lernen bereits gegeben.  Die KOSMoS-Edge, die auf dem Hallenboden der Betreiber lokalisiert ist, sammelt Ausfalldaten und nimmt dann am föderierten Trainingsprozess teil. Die Analyse-Plattform fungiert als zentraler Verwalter, der die Aufgabe erfüllt, nur Teilnehmer mit entsprechenden Ausfalldaten zum Training zuzulassen. Im Trainingsprozess selbst werden dann ausschließlich Modellparameter geteilt, die die Muster und Regelmäßigkeiten aus den privaten Ausfalldaten repräsentieren. Die privaten Daten der Teilnehmer verbleiben auf der KOSMoS-Edge. Das zentrale Modell wird aus den Modellparametern der lokal trainierten Modelle aggregiert und auf der Analyse-Plattform zum Download zur Verfügung gestellt. Die Umsetzung der förderierten Komponente in KOSMoS setzt dabei auf das agnostische Federated Learning Framework Flower auf.

Eine Referenzimplementierung aller Komponenten finden Sie auf Github. Für die induvielle Integration in Ihr System, sprechen Sie uns an.