Skip to main content

Datenschutz in Predictive-Maintenance-Projekten

|   Auto-Intern

Datenschutz ist wichtig. Nicht nur, wenn es um personenbezogene Daten geht, sondern auch, wenn Maschinen untereinander kommunizieren. René Glitza arbeitet mit ungezählten Daten aus Maschinen, die in kritischen Bereichen arbeiten und daher nicht von Dritten gestohlen werden dürfen. Wie unser Lead Engineer Predictive-Maintenance-Projekte trainiert, für DSGVO-konforme Datensicherheit sorgt und warum Predictive Maintenance ein echter Pluspunkt in der Industrie ist, erklärt er in diesem Blogbeitrag:

Diese Wartungsmodelle haben sich etabliert (oder sollten ersetzt werden)

Maschinen, die arbeiten, gehen irgendwann kaputt, müssen abgeschaltet werden und können je nach Problem lange stillstehen. Das ist seit dem ersten Tag der Industrialisierung Fakt. Weil kein Bauteil unzerstörbar ist, können Maschinenbetreiber nur die Ausfallzeiten ihres Gerätes möglichst minimieren. In dem Wartungsbereich (Maintenance) herrschen derzeit drei Modelle vor, die sich gut mit einer Glühbirne erklären lassen:

Reactive Maintenance:

Die Glühbirne läuft und läuft und läuft bis sie irgendwann platzt und ausgetauscht werden muss. Bei einer Lampe ist das in Sekunden gemacht und fällt nicht sehr ins Gewicht. Bei einer großen Produktionsstraße kann das sehr teuer werden, auch weil andere Maschinen von dem einen ausgefallenen Gerät abhängig ist. Dieses Verfahren wendet die Industrie glücklicherweise kaum noch an, weil er einfach ineffektiv ist.

Preventive Maintenance

Um den Ausfall einer Glühbirne besser planen zu können, geben die Hersteller eine Lebensdauer an: In 2.000 Stunden muss diese Glühbirne ausgetauscht werden. Das macht die Wartung planbarer, weil Du mit einer Uhr siehst, wann die Lampe platzen kann, und tauscht sie aus, wenn sie gerade nicht benötigt wird - zum Beispiel, wenn ausreichend Tageslicht vorhanden ist. Preventive Maintenance verhindert also einen Komplettausfall der Anlage. Als Betreiber ist man aber gezwungen, ein Bauteil zu entsorgen, dass vielleicht noch mehrere hundert Stunden laufen kann, weil die äußeren Einflüsse auf die Glühbirne nicht beachtet werden. Außerdem besteht immer noch die Gefahr, dass die Glühbirne viel früher ausfällt, weil diese Faktoren nicht berücksichtigt worden sind. Preventive Maintenance wird fast flächendeckend genutzt, jedoch ist es nicht so effektiv wie Predictive Maintenance.

Predictive Maintenance

Hier analysiert der Betreiber die Glühbirne über den gesamten Lebenszeitraum: Wie verändert sich der Zustand, wann ist der optimale Wartungszeitraum? Mit diesen Daten kann man den Ausfall vorhersehen und die Wartung entsprechend in produktionsfreie Zeiten planen. Predictive Maintenance bietet für den gesamten Betrieb Vorteile:

  • Geplante Wartungsintervalle: Es gibt weniger unerwartete Maschinenausfälle, weil der Betreiber genau weiß, wann die Maschine ausfällt. 
  • Reduzierte Lagerkosten: weil man Komponente so bestellen und liefern lassen kann, dass sie pünktlich zur Wartung vorhanden sind. 
  • Erhöhte Maschinenlebensdauer: Man verschwendet keine Lebensdauer einer Komponente

Weil Predictive Maintenance Kosten und Zeit spart, ist es ein wichtiger Bestandteil von Industrie 4.0. Predictive Maintenance basiert auf der Auswertung von historischen und aktuellen Daten, um eine Prognose für bedarfsgerechte Wartung zu haben. 

So funktioniert Predictive Maintenance

Schon heute werden viele Maschinen präventiv gewartet - Predictive Maintenance. Dafür setzen wir Sensoren in einen Prozessfluss ein, die Daten über die Maschinen sammeln. Diese Sensorendaten sammeln wir in einem Datenspeicher. Zusätzlich sammeln wir hier Events wie neue Einstellungen, Informationen aus dem Qualitätsmanagement, einem ERP und einem EMS. Ein AI- oder Machine-Learning-Prozess kann all diese Daten im komplexen Zusammenhang analysieren und die Ergebnisse an ein Dashboard, per E-Mail oder SMS an den Verantwortlichen übermitteln - damit weiß jeder Verantwortliche immer fast sekundengenau über den Zustand einer Maschine Bescheid. 

Bei Neuentwicklungen von Maschinen gehören Predictive-Maintenance-Möglichkeiten oft zur Grundausstattung, jedoch lassen sich auch vorhandene Geräte nachrüsten. Hier zeigen sich aber mehrere Probleme.

Hürde 1: Nachträglicher Sensoreneinbau dürfen den Betrieb nicht stören und müssen minimalinvasiv sein

Predictive Maintenance braucht Messdaten. Und zwar aus dem laufenden Betrieb. Das Problem dabei: Der Einbau und Nutzung des Systems muss rückwirkungsfrei laufen. Sie dürfen also den laufenden Betrieb nicht verändern, weil jede Änderungen überprüft und freigegeben werden müssen. Deshalb darf im besten Fall nicht mal eine Schraube gedreht werden. Die Messmethoden für diese rückwirkungsfreie Änderung sind vorhanden: Etwa Infrarot-Messungen mit Infrarot für Temperatur, Schwingungen, Strom und Spannung oder Mikrofone für die die Schallmessung.

Hürde 2: Algorithmen müssen trainiert werden, ohne die Gefahr der Industriespionage zu erhöhen

Um Predictive Maintenance nutzen zu können, braucht es Machine-Learning-Algorithmen, die trainiert werden müssen. Um die Maschinenzustände  zu erkennen und Vorhersagen treffen zu können, braucht es Daten. Und natürlich sind echte Daten besser als künstlich generierte. Am besten sollten die Daten also von der Maschine kommen, die bereits in ihrem gewohnten Umfeld steht. Denn äußere Einflüsse wie die Temperatur in der Wartungshalle können die effiziente Arbeitsweise der Maschine positiv und negativ verändern.

Die Übermittlung der Daten ist ein Sicherheitsrisiko: Denn, sobald man Daten an einen Server schickt, können diese abgefangen und interpretiert werden - zum Beispiel von Industriespionen. Zu diesen besonders schützenswerten Daten gehören zum Beispiel Nutzereingaben, die für die Labels in Trainings verwendet werden können. Ein möglicher Sensor für Predictive-Maintenance-Systeme sind auch Mikrofone, die ungewollt Gesprächsfetzen oder ganze Gespräche aufnehmen und versenden - obwohl sie nur die Geräusche der Maschine übermitteln sollen.

Die Lösung für mehr Datenschutz: Federated Learning. 

Vor wenigen Jahren war diese Datenschutz-Hürde noch enorm hoch. Aber da Hardware immer kleiner, leistungsfähiger und günstiger wird, können Predictive-Maintenance-Systeme enorm vom Federated Learning, also verteilten neuronalen Lernen, profitieren. Dafür dezentralisieren wir die Verarbeitung auf dem Server auf viele kleine Geräte. Damit senden wir keine Originaldaten mehr an den Server, sondern nur noch die Parameterveränderungen. Damit hat jede Maschine ihre eigenen Daten und verrät diese nicht mehr. 

So funktioniert Federated Learning im Industrie 4.0.-Umfeld

Die Maschine produziert also eine Menge Daten, die irgendwo verarbeitet und interpretiert werden müssen.

Hier kommt das Federated Learning ins Spiel: Das verteilte Lernen von neuronalen Netzparametern. Jeder Client, also Industriemaschinen, aber auch Mobiltelefone, Laptops, und Autos, haben ihre eigenen Daten. Ein koordinierender Server verschickt an jeden Client

ein Neuronales Netz, das der Client mit seinen eigenen Daten trainiert und so Parameter ändert. Die Parameter werden wiederum vom Client an den Server geschickt, dort gemittelt und zu einem neuen globalen Neuronalen Netz verarbeitet, das wiederum an die Clients geschickt wird.  Damit ist eine hohe Datensicherheit gewährleistet, weil echte Daten das Endgerät nicht verlassen. Verschickt werden nur Veränderungen an dem Neuronalen Netz - diese einzelnen Daten sind ohne weitergehende Informationen (fast) völlig nutzlos für einen Angreifer.

Über René Glitza

René Glitza ist leitender Ingenieur im Bereich Systems Design bei der Auto-Intern GmbH. Dort leitet er zahlreiche Technologieprojekte, etwa im Bereich Predictive Maintenance. Seit seinem Master in Elektro- und Informationstechnik (Schwerpunkt Eingebettete Systeme) forscht er zusätzlich am Institut für Kommunikationsakustik der Ruhr-Universität Bochum. Sein Fachgebiet ist die Audiosignalverarbeitung mit künstlichen neuronalen Netzen. René Glitza entwickelte dort neuartige Algorithmen zur Clusterbildung in akustischen Sensornetzwerken unter Berücksichtigung der Privatsphäre. Dafür setzt er auf verteiltes neuronales Lernen. Zudem ist er Mitverfasser zahlreicher Publikationen und hält Vorträge, zuletzt unter anderem auf der emBO++, eine der weltgrößten Symposien für Embedded Systems und C++-Entwicklung. 

Als ehemaliger Sprecher der VDE Hochschulgruppe Bochum organisiert er seit mehr als fünf Jahren nationale und internationale Konferenzen und Veranstaltungen und unterstützt das Netzwerk nachdrücklich.