Federated Learning im IIoT: Maschinen gemeinsam fit halten

Dieser Artikel basiert auf [1] und wurde zuerst in den Cybernews (Ausgabe 2 - Juli 2021) von Cybermentor, einer Online-MINT-Plattform für Mädchen von MINT-Frauen, veröffentlicht. Mehr Infos zu Cybermentor findest du am Ende des Beitrags. 

Unser tägliches Leben wird zunehmend vernetzter. Smarte Lautsprecher lassen sich per Sprachbefehl bedienen, intelligente Kühlschränke ordern automatisch neue Lebensmittel und Autos fahren selbstständig. Möglich wird das alles durch das Internet of Things (IoT), durch das Sensoren, Geräte und auch Maschinen miteinander vernetzt sind. 

Doch nicht nur im alltäglichen Leben bringt die neue Technologie viele Vorteile. Auch im  industriellen Internet der Dinge (IIoT) wachsen auch die Möglichkeiten für den Einsatz von maschinellem Lernen (ML) oder künstlicher Intelligenz (KI). Intelligente, vorausschauende Instandhaltungssysteme schätzen die Zeit, bis eine Maschine wahrscheinlich ausfällt, zeigen mögliche Probleme auf und identifizieren die Teile, die repariert werden müssen, bevor sie kaputt gehen. So können Instandhaltungen und Reparatureinsätze besser geplant werden und das Risiko unerwünschter und häufig sehr teurer Produktionsausfälle verringert sich.  Die Industrie kann damit ihre Maschinen im optimalen Zustand halten. 

Um die Verbesserung dieser Instandhaltung durch den Einsatz von KI kümmert sich das Forschungsprojekt KOSMoS. Hier entsteht eine sichere Plattform für unternehmensübergreifende KI-Algorithmen, die zur vorausschauenden Instandhaltung von Maschinen genutzt werden. 

Die Herausforderung einer guten Datengrundlage

Die Entwicklung KI-basierter Algorithmen zur vorausschauenden Instandhaltung kostet insbesondere zu Beginn viel Zeit und Geld, da anfangs ML-Modelle definiert und Trainingsdaten erfasst werden müssen. Letzteres ist besonders wichtig, da die Vorhersagequalität eines KI-Modells maßgeblich von den verwendeten Daten bestimmt wird. Mithilfe dieser Daten lernt die Künstliche Intelligenz schließlich Wissen in Form von Mustern und Zusammenhängen, die für weitere Vorhersagen verwendet werden können.

Als Trainingsdaten dienen große Mengen an Zustandsdaten über Maschinen, die von verschiedenen Sensoren oder Systemen über die Zeit aufgenommen wurden. Das können zum Beispiel die Messungen von Temperaturen oder Vibrationen eines Bauteils einer Maschine sein, die kurz vor dem Ausfall der Maschine in die Höhe geschossen sind. 

Wenn diese Daten nicht die Muster enthalten, die einem Ausfall vorausgehen, ist das Modell nicht in der Lage, bevorstehende Maschinenausfälle aus neuen, bisher ungesehenen Daten vorherzusagen. Bei der vorausschauenden Instandhaltung wird dieses Problem durch das relativ seltene Auftreten von Maschinenausfällen noch verschärft. Natürlich könnte man Maschinen absichtlich kaputt gehen lassen, um mehr diese Daten sozusagen künstlich zu erzeugen, aber das ist finanziell unverantwortlich – besonders wenn es sich um riesige Maschinen handelt, die mehrere Millionen Euro kosten. 

Unternehmensübergreifend Daten bündeln

Da mehr Daten im Allgemeinen zu besseren Prognosen führen [2], können Unternehmen zusammenarbeiten, um ihre Daten zu bündeln und kollaborative Modelle für die vorausschauende Instandhaltung zu erstellen. Das Bündeln der Daten ist allerdings nicht unproblematisch. Die erste große Herausforderung ist, dass Geschäftsinformationen der einzelnen Teilnehmer nicht offengelegt werden dürfen [3]. Die Teilnehmer sind möglicherweise nicht gewillt oder sogar nicht in der Lage, ihre Daten mit Partnern zu teilen, da sie sonst Geschäftsgeheimnisse preisgeben oder Datenschutzbestimmungen verletzen. Federated Learning (FL), eine besondere Form des maschinellen Lernens, löst dieses Problem. 

Bei FL trainiert jeder Teilnehmer ein KI-Modell auf seinen privaten Daten und unter Verwendung seiner eigenen Hardware [4]. Diese Modelle werden dann von einem zentralen Kurator zu einem einheitlichen globalen Modell zusammengeführt. Dieses Modell hat dann aus den privaten Daten aller Teilnehmer gelernt, ohne jemals direkt auf diese zuzugreifen.

Die zweite große Herausforderung ist ein Schutz gegen Manipulation. Nehmen wir eine Produktionsanlage, die mit einer Vielzahl von Sensoren ausgestattet ist. Die Daten dieser Sensoren werden durch mehrere Systeme wie die Maschinensteuerung, das Gateway oder interne Server geleitet und schließlich in einer Datenbank gespeichert [5]. Innerhalb eines Unternehmens gibt es wenig Bedarf, die Daten in dieser Kette gegen interne Manipulationen zu schützen: Es gibt keinen Anreiz für Manipulationen. Beim Austausch von Daten mit externen Partnern gibt es jedoch einen Grund dafür: Ein böswilliger Akteur könnte fremde Daten korrumpieren, um die Modellvorhersagen zu seinen Gunsten zu sabotieren oder subtil zu verändern [6]. 

Federated Learning in KOSMoS

Das vom BMBF geförderte Forschungsprojekt “Kollaborative Smart Contracting Plattform für digitale Wertschöpfungsnetze“, kurz KOSMoS, ermöglicht die Realisierung von unternehmensübergreifenden KI-basierten Geschäftsmodellen auf Basis von sicheren Infrastrukturen, insbesondere mithilfe einer KI-Plattform und einer Blockchain. 

Die Blockchain-Komponente des Systems dient als gemeinsame, vertrauenswürdige verteilte Datenbank von Maschinenherstellern und seinen Kunden. Die Blockchain bietet einen Konsensmechanismus, d. h. Protokolle, die sicherstellen, dass alle Teilnehmer miteinander synchronisiert sind und sich darüber einigen, welche Transaktionen legitim sind und in die Blockchain aufgenommen werden. Um kollaborative vorausschauende Instandhaltungsmodelle auf den vertrauenswürdigen Daten zu realisieren, befindet sich der zentrale Kurator in einer Cloud-basierten KI-Plattform für Vorhersagemodelle. Im föderierten Lernprozess ist es seine Aufgabe, die Modell-Updates von allen Teilnehmern zu sammeln, ein neues Modell daraus zu aggregieren und es dann an die Teilnehmer zu verteilen. Jeder Maschinenbetreiber, der teilnehmen möchte, benötigt lokal auf seinem Hallenboden eine KOSMoS Edge, die in den privaten Teil der Architektur des KOSMoS integriert ist. Die KOSMoS Edge hat Zugriff auf alle Maschinendaten, die für das Modelltraining benötigt werden, und dient außerdem als Kommunikationsschnittstelle zwischen dem Hallenboden mit mehreren Maschinen M und den Cloud-Komponenten.

Danksagung 

Die Inhalte dieser Arbeit stammen aus dem Projekt „KOSMoS – Kollaborative Smart Contracting Plattform für digitale Wertschöpfungsnetze”. Dieses Forschungs- und Entwicklungsprojekt wird mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) im Programm „Innovationen für die Produktion, Dienstleistung und Arbeit von morgen“ (Förderkennzeichen 02P17D026) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei der Autorin.

Literatur

[1] M. Mohr, C. Becker, R. Möller, M. Richter: "Towards Collaborative Predictive Maintenance Leveraging Private Cross-Company Data," in INFORMATIK 2020, 2021, Ralf H. Reussner, Anne Koziolek, Robert Heinrich (Ed.), Gesellschaft für Informatik, Bonn, p.427-432

[2] A. Halevy, P. Norvig, and F. Pereira, “The Unreasonable Effectiveness of Data,” IEEE Intell. Syst., vol. 24, no. 2, pp. 8–12, Mar. 2009, doi: 10.1109/MIS.2009.36.

[3] C. Becker and M. Mohr, “Federated Machine Learning: über Unternehmensgrenzen hinaus aus Produktionsdaten lernen,” atp magazin, no. 5, pp. 28–30, 2020.

[4] H. B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. A. y Arcas, “Communication-Efficient Learning of Deep Networks from Decentralized Data,” ArXiv160205629 Cs, Feb. 2016, Accessed: Jun. 02, 2021. [Online]. Available: http://arxiv.org/abs/1602.05629

[5] T. Bux and M. Mohr, “Blockchain-Lösungen für den produktionstechnischen Mittelstand/Blockchain solutions for medium-sized production engineering companies – Proof of confidence for cross-company networking of production and process data,” Wt Werkstattstech. Online, vol. 110, no. 04, pp. 201–204, 2020, doi: 10.37544/1436-4980-2020-04-35.

[6] E. Bagdasaryan, A. Veit, Y. Hua, D. Estrin, and V. Shmatikov, “How To Backdoor Federated Learning,” in International Conference on Artificial Intelligence and Statistics, Jun. 2020, pp. 2938–2948. Accessed: Jun. 02, 2021. [Online]. Available: http://proceedings.mlr.press/v108/bagdasaryan20a.html

Cybermentor

„Mathe ist nix für Mädchen“, „Autos sind Männersache“ und „Physik ist was für Nerds“ – kennt ihr solche Sprüche? Damit ist jetzt Schluss! CyberMentor sucht Frauen aus den verschiedensten MINT-Berufen, die gemeinsam mit anderen gegen Klischees antreten möchten – für mehr Frauen in Mathematik, Informatik, Naturwissenschaften und Technik. Wenn ihr auch eure Begeisterung für euren Beruf weitergeben möchtet, könnt ihr jetzt Mentorin bei der Online-MINT-Plattform werden. Als Mentorin seid ihr ein Jahr lang individuelle Ansprechpartnerin für eine Schülerin einer weiterführenden Schule. Mit eurer persönlichen Mentee könnt ihr euch online austauschen, ihr Fragen zu Ausbildung, Studium und Beruf beantworten und sie bei MINTeressanten Projekten unterstützen. Außerdem werdet ihr Teil eines deutschlandweiten Netzwerks mit hunderten weiteren MINT-Frauen. Die nächste Runde startet Mitte Oktober, die Anmeldung ist bis Ende September möglich! Weitere Infos und Anmeldung: https://www.cybermentor.de/index.php/ueber-cybermentor/teilnahme/teilnahme-fuer-mentorinnen