Hintergrund
Fertigungslinien erzeugen kontinuierlich Sensordaten, doch konventionelle Überwachungssysteme sind teuer, erfordern maschinenspezifische Kalibrierung und liefern keine Echtzeit-Kennzahlen. Trends wie Mass Customization, volatile Lieferketten und steigende Energiekosten erfordern neue Prozesstransparenz. Bestehende KI-Ansätze (Deep Learning) benötigen große Trainingsdaten und sind als Black-Box oft nicht zertifizierbar. Gefragt ist erklärbare, skalierbare Echtzeit-Intelligenz ohne Produktionsunterbrechung.
Technische Beschreibung
Das patentierte Verfahren erfasst die elektrische Leistungsaufnahme über einen nicht-invasiven Sensor und streamt die Daten in Echtzeit an eine Recheneinheit (Edge oder Cloud). Ein optimierter Streaming-Algorithmus (basisierend auf Dynamic Time Warping) reduziert die Komplexität von N² auf O(N) pro Zeitschritt, ideal für Edge AI / TinyML. Die Kalibrierung erfolgt mit nur drei Zyklen (Few-Shot), ohne manuelles Labeling. Eine zweistufige Logik erkennt Abweichungen bereits während des laufenden Prozesses. Die Kennzahlen (Dauer, Energie, Ähnlichkeit) sind physikalisch interpretierbar, zertifizierbar und direkt in SCADA, MES, ERP integrierbar oder als Datenquelle für KI-Agenten und Digital Twins nutzbar.
Anwendungsmöglichkeiten
Die Technologie adressiert zentrale Herausforderungen in Industrie 4.0 und Industrie 5.0 und ist branchenübergreifend einsetzbar:
• Predictive Maintenance: Echtzeit-Erkennung von Verschleiß und Anomalien anhand von Leistungsprofilen - ohne Spezialsensorik
• Brownfield-Digitalisierung: Nachrüstung bestehender Maschinen mit einem Stromsensor - ohne SPS-Eingriff
• KI-Agenten und Digital Twins: Erklärbare Kennzahlen als strukturierte Eingabe für autonome Agenten und digitale Zwillinge
• Energiemanagement: Prozessgenaue Verbrauchserfassung für ISO 50001 und CO₂-Bilanzierung pro Werkstück
Verfahrensablauf (© TUB/S.Emec)
