Anomalieerkennung und Wiedererkennung
Beim Einsatz von Machine Learning in der Fertigung würde man also zunächst eine Anlernphase ansetzen, in der das System alle erfassten Daten inklusive daraus resultierender Entscheidungen und Maßnahmen zur Analyse bekommt. Anschließend erhält das System weiterhin die erfassten Daten und kann aufgrund der gemachten ‚Erfahrungen‘ Abweichungen nach dem Motto erkennen: ‚Habe ich bisher noch nicht gesehen, das muss eine Abweichung sein‘. Die Art der Abweichung ist unerheblich – es kann sich auch um ein bisher unbekanntes Problem handeln. Im Zuge des kontinuierlichen Weiterlernens klassifiziert der Anwender bereits erkannte Anomalien, damit das System sie künftig nach dem Motto einordnen kann: ‚Habe ich schon einmal erkannt, das ist ein Werkzeugbruch‘. Somit wird die Software von ganz alleine immer besser.
Ein neuer Trumpf im Blatt
Mögliche Einsatzbeispiele für Machine Learning in der Fertigung sind die Erkennung von Ausschuss anhand von Bildern oder Videos, die Erkennung und Einordnung von Maschinenstörungen anhand von Prozesswerten oder die Erkennung von Störungen im logistischen Ablauf der Fertigung. In einem nächsten Schritt könnte das System auf Basis der eigenen Erfahrungen Handlungsempfehlungen aussprechen oder sogar eigenständig optimierende Maßnahmen einleiten. Doch bei allem Potenzial, das in Machine Learning steckt, gilt weiterhin: In der werksnahen IT sollte je nach Anwendung entschieden werden, welche Methoden, Werkzeuge und Technologien eingesetzt werden. Künstliche Intelligenz ist lediglich eine weitere Trumpfkarte eines breit gefächerten Blattes im Kartenspiel der Industrie 4.0.
Das Modell Smart Factory Elements von MPDV ordnet die Abläufe einer modernen Fabrik in fünf Elemente ein, die einen Regelkreis bilden. Dieser sieht vor, dass auf Basis von Vorgaben unterschiedlicher Quellen die Fertigung geplant (Planning & Scheduling) und diese Planung dann umgesetzt (Execution) wird. Die dabei erfassten Daten werden analysiert (Analytics), um daraus unter anderem Vorhersagen abzuleiten (Prediction), die zusammen mit anderen Erkenntnissen wiederum in die Planung einfließen können. Das Industrial Internet of Things (IIoT) unterstützt diesen Kreislauf durch die Erfassung und Bereitstellung von Daten. Das Modell erweitert den Horizont bisheriger Fertigungs-IT wie beispielsweise MES um die Aufgabenfelder Analytics und Prediction, um die es in diesem Beitrag geht. Auch weiterhin lassen sich viele werksnahe Aufgaben hervorragend mit einem MES wie Hydra von MPDV abbilden. Mehr Infos unter: mpdv.info oder den QR-Code scannen. @Überschrift_MuT:Das“ rel=“nofollow“ target=“_blank“>
Es gibt auch in Zukunft Anwendungsfälle für klassische Analytics-Anwendungen wir Dashboards und Kennzahlen.
Ohne die passende Datenbasis funktionieren Prediction-Anwendungen nicht.
Künstliche Intelligenz und Machine Learning sind nützliche Werkzeuge, um komplexe Zusammenhänge in der Smart Factory zu erkennen und zu bewerten.
Auch bei künstlicher Intelligenz gilt es abzuwägen, ob deren Einsatz zielführend oder Selbstzweck ist.
Tipp: