10. 12. 2024
Průmysl 4.0 Vysoké školy

Rozhovor s Prof. Dr.-Ing. Ulrichem Schäferem, děkanem a vedoucím Inovačního a kompetenčního centra pro umělou inteligenci (IKKI), Fakulta elektrotechniky, médií a informatiky (EMI), Ostbayerische Technische Hochschule Amberg-Weiden.

Vážený pane děkane,

Můžete nám stručně představit projekt I4.0 ACE? Jaké jsou hlavní cíle a jaké výzvy se projekt snaží řešit?


V dnešní průmyslové výrobě vzniká velké množství dat, která je třeba zaznamenávat, ukládat a analyzovat. To vyžaduje vhodnou technickou infrastrukturu, přičemž důležitou roli hraje edge computing. Na OTH (Východobavorské technické univerzitě) v Ambergu se v této oblasti udává směr. Nové zařízení Industry 4.0 Computing Edge Device funguje jako most mezi technologií a aplikací: je navrženo tak, aby pomocí metod umělé inteligence (strojového učení) pomohlo včas rozpoznat problémy v továrnách, jako jsou poruchy strojů, požadavky na údržbu nebo dokonce bezpečnostní rizika. Kromě toho hraje v době vyšších nákladů na energii a pro dosažení cílů v oblasti ochrany klimatu stále důležitější roli řízení spotřeby energie, což zařízení I4.0 ACE rovněž řeší. Pro dosažení všech těchto cílů v síťově propojené výrobě slouží také jako rozhraní pro propojení řídicí techniky (OT, Operational Technology) s podnikovou IT infrastrukturou a procesy.

 

Kteří partneři se na projektu podílejí a které cílové skupiny byste chtěli prostřednictvím I4.0 ACE oslovit?

Přidružený institut aia OTH Amberg-Weiden, Inovační a kompetenční centrum pro umělou inteligenci (IKKI) OTH Amberg-Weiden, Laboratoř pro bezpečné a zabezpečené systémy (LaS³) OTH Regensburg a společnost MSF-Vathauer Antriebstechnik.

 

Cílovou skupinou jsou malé a střední podniky (MSP) v oblasti automatizace: krátké vzdálenosti mezi zpracovatelskými zařízeními a IT systémy jsou předpokladem pro podporu potenciálu technologií Průmyslu 4.0 v malých a středních podnicích. Blízkost výroby umožňuje spolehlivý sběr dat a lokální zpracování, což je ve specifickém průmyslovém prostředí malých a středních podniků klíčové.


Pomocí dostupných rozhraní k sousedním systémům bude I4.0 ACE shromažďovat a zpracovávat surová data, aby bylo možné včas odhalit změny v provozním chování a analyzovat energetické požadavky souvisejících systémů. Pomocí modelů umělé inteligence se využívají různé ukazatele k realizaci plánů údržby na míru, detekci anomálií a inteligentnímu řízení spotřeby energie ve výrobě.


Na rozdíl od řešení pro velký průmysl by tento přístup měl být vhodný pro specifické úkoly bez velkého úsilí a specializovaných znalostí. Díky inovativní a přenosné systémové architektuře splňuje I4.0 ACE současné bezpečnostní požadavky a lze jej využít i jako integrační platformu pro různé procesy podporované umělou inteligencí.


Flexibilní přizpůsobení provozním požadavkům je možné díky softwaru založenému na Linuxu a kontejnerům Docker. Projekt se také výslovně zabývá šifrováním a bezpečností informací. Výzkumníci a vývojáři doufají, že tento technologický přístup bude možné brzy přenést i do dalších odvětví.


Cílem projektu je okrajové zařízení průmyslové výpočetní techniky, které autonomně zaznamenává provozní údaje v prototypové aplikaci (AUT Smart Factory, digitální modelové továrna v digitálním kampusu OTH v Ambergu), předpovídá stav používaných akčních prvků a optimalizuje spotřebu energie testovací aplikace.


Jaké inovativní technologie a přístupy používáte k přípravě podniků a kvalifikovaných pracovníků na požadavky Průmyslu 4.0?
V první řadě je zde třeba zmínit téma umělé inteligence založené na datech. K trénování detekce anomálií, tj. závad, se používají procesy strojového učení. Takto mohou být například komponenty zařízení automaticky zastaveny dříve, než dojde k jejich poškození. Na strojovém učení je založena také prediktivní údržba: zde projekt nabízí univerzální přístupy, které je třeba natrénovat pro příslušnou aplikaci, např. zda se jedná o určité motory, převodovky nebo podobná zařízení, která jsou často spojena s mechanickými ovlivňujícími veličinami. V zásadě je myšlenkou prediktivní údržby udržovat nebo vyměňovat stroje déle než v pevně stanovených, často příliš opatrně nastavených intervalech, aby se ušetřil materiál, energie a náklady. Současně by mělo být včas rozpoznáno opotřebení a údržba nebo výměna by měla být automaticky vyžádána s předstihem.
V nejširším slova smyslu je detekce narušení, tj. rozpoznávání útoků na IT infrastrukturu ve výrobě, rovněž formou detekce anomálií, pro kterou I4.0 ACE rovněž poskytuje základní infrastrukturu.

 

Do jaké míry ovlivňuje umělá inteligence a strojové učení procesy automatizace ve vašem projektu?
Jak již bylo uvedeno v předchozích částech, aplikace detekce anomálií, prediktivní údržby, detekce narušení a energetického managementu jsou založeny na umělé inteligenci v podobě strojového učení. Projekt zde poskytuje technologickou základnu, která malým a středním podnikům rovněž umožňuje začlenit do automatizačních procesů více "inteligence", a to převážně decentralizovaným způsobem prostřednictvím edge computingu.

 

Jaké úspěchy nebo milníky můžete zatím vyzdvihnout a jak měříte pokrok projektu?
Po roce byly položeny technologické základy: k dispozici jsou první modely strojového učení pro popsané aplikace. Generování trénovacích dat, která realisticky zobrazují opotřebení a anomálie, není triviální. Mohou být pouze prototypová a musí být nově na- nebo přetrénována pro jiné stroje a prostředí. Především jsme vytvořili základ: moduly definované v kontejnerech Docker, které vytvořili příslušní partneři projektu a které lze bez většího úsilí použít na hardwaru s operačním systémem Linux.


Jaká nová automatizační řešení se v rámci projektu zavádějí a jak přispívají ke zvýšení efektivity?

Cílem I4.0 Automation Computing Edge je nabídnout detekci a optimalizaci na bázi umělé inteligence decentralizovaně, tj. co nejblíže výrobním jednotkám. To je velký krok vpřed ve srovnání s rigidními automatizačními řešeními, která vyžadují větší zásah člověka. V konečném důsledku je naše řešení také způsobem, jak čelit nedostatku kvalifikovaných pracovníků pomocí inteligentnějších, decentralizovaných řešení.

 

Jaké přínosy si projekt slibuje od zavedení prediktivní údržby?
Na jedné straně prediktivní údržba umožňuje, aby stroje a opotřebitelné díly byly provozovány déle, než jsou stanovené intervaly údržby a výměny. Na druhou stranu problémy, které se objeví před uplynutím těchto intervalů, lze v ideálním případě rozpoznat dříve a přispět ke zkrácení prostojů. V podstatě jde o úsporu nákladů a udržitelné využití materiálu, což v konečném důsledku slouží také k ochraně životního prostředí a úspoře energie.


Jak projekt mění interakci mezi člověkem a strojem ve výrobě?
To se zásadně nemění, jde spíše o optimalizaci. V případě prediktivní údržby a energetického managementu jde spíše o postupné zlepšování, které dříve nebylo technicky možné. Téma detekce narušení jistě získalo novou kvalitu, které nelze dosáhnout pouze lidmi, protože by bylo nutné trvalé sledování datové komunikace. Na druhou stranu se detekce narušení stala nezbytnou až díky propojení výroby.

 

Děkujeme za rozhovor a mnoho úspěchů s vaším projektem!

 

Další informace k projektu najdete zde.

 

Foto: OTH Amberg-Weiden

 


Zpět
Mapa
Letní brigády v ERDV

Letní brigády v ERDV

Získejte zkušenosti

Archiv článků
Ikona

Poznej Evropský region

28 barokních kulturních pokladů

28 barokních kulturních pokladů

28 barokních kulturních pokladů

Místní poklady

Místní poklady

Tradice, kterou nelze uložit do muzea

Videoprezentace některých vysokých škol

Videoprezentace některých vysokých škol

Studenti ukazují, co je populární Vysoké školy v regionu tří zemí nyní také v obraze a zvuku

Série podcastů o zdravotní péči

Série podcastů o zdravotní péči

Průvodce vysokými školami

Průvodce vysokými školami

Příručka o vysokých školách v Evropském regionu

Best Practice Projekty

Best Practice Projekty

Z oblasti vysokoškolského vzdělávání

Letní brigády v ERDV

Letní brigády v ERDV

Získejte zkušenosti

Fotobanka ERDV

Fotobanka ERDV

Fotografie k širokému užití

28 hradů a zámků

28 hradů a zámků

Objevte výjimečnou památku

28 nejhezčích okružních výletů pro pěší

28 nejhezčích okružních výletů pro pěší

Výlety napříč Evropským regionem

28 nejhezčích jednodenních výletů

28 nejhezčích jednodenních výletů

Na kole skrz Evropský region

28 tradičních receptů

28 tradičních receptů

Vaříme s Evropským regionem

TIPY na muzea a galerie

TIPY na muzea a galerie

Mnohostranná nabídka

Vaříme dobře

Vaříme dobře

Chutě Evropského regionu

Dvoujazyčnost v ERDV

Dvoujazyčnost v ERDV

Naše nabídka

Glosář

Glosář

Glosář

Moderní obce

Moderní obce

Hovoříme o příkladech digitalizace

Databanka obcí

Databanka obcí

Celkový přehled všech obcí po celém regionu ERDV

Inspirace k moderní obci

Inspirace k moderní obci

Příklady digitalizace online