Analysemodelle eigenständig weiterentwickeln

Machine Learning einfach gemacht

Seit einigen Jahren schon werden die Fantasien der Ingenieure und Anlagenbauer beflügelt durch die Möglichkeiten von KI- und Machine-Learning-Algorithmen. Klingt zwar zunächst sehr kompliziert, bietet aber konkrete Vorteile für die smarte Fabrik. Maschinen und Anlagen bzw. Produktionsprozesse erzeugen kontinuierlich Daten. Erfolgreich werden zukünftig Unternehmen sein, denen es gelingt, Mehrwert aus diesen Daten zu generieren.
Am Ende des Modellbildungsprozesses wählt der Nutzer das für seine Applikation am besten geeignete Modell nach bestimmten Kriterien aus.
Am Ende des Modellbildungsprozesses wählt der Nutzer das für seine Applikation am besten geeignete Modell nach bestimmten Kriterien aus.Bild: Weidmüller Gruppe

Einen Mehrwert erschließt sich vor allem im Bereich der Datenanalyse, so z.B. bei Predictive Maintenance. Vereinfacht ausgedrückt meldet die Maschine selbständig, wann voraussichtlich ein Ersatzteil benötigt wird. So können Maschinenbauer zukünftig neue datengetriebene Services anbieten und somit neue Geschäftsmodelle etablieren. Produzierende Unternehmen erhöhen ihre Produktqualität und reduzieren Kosten. Methoden von KI und insbesondere des Machine Learnings sind Werkzeuge, die zur Analyse der Maschinendaten eingesetzt werden. Sie erlauben es, bisher unerschlossene Daten zu verknüpfen und unbekannte Zusammenhänge zu identifizieren. Aber was steckt genau hinter Data Science? Und was versteht man eigentlich unter Automated Machine Learning?

Machine Learning einfach anwenden ohne Expertenwissen im Bereich Data Science - Automatische Modellbildung
Machine Learning einfach anwenden ohne Expertenwissen im Bereich Data Science – Automatische ModellbildungBild: Weidmüller Gruppe

Einfacher KI-Einsatz

Weidmüller setzt mit der Automated Machine Learning Software AutoML auf einen einfachen KI-Einsatz im Maschinen- und Anlagenbau. Dazu hat das Unternehmen die Anwendung von Machine Learning für industrielle Applikationen soweit standardisiert und vereinfacht, dass Domänenexperten ohne Spezialwissen im Bereich Data Science eigenständig Lösungen realisieren können. Das Software Tool führt den Anwender durch den Prozess der Modellentwicklung, weshalb Weidmüller hier auch von Guided Analytics spricht. Anwender können ohne die Hilfe von Data Scientists Modelle erstellen, modifizieren und zur Ausführung bringen, um Ausfallzeiten und Fehler zu reduzieren, Wartungsprozesse zu verbessern und die Produktqualität zu erhöhen. Die Software hilft bei der Übersetzung und Archivierung des komplexen Applikationswissens in eine verlässliche Machine-Learning-Anwendung. Dabei fokussiert sich der Anwender auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden KI-Schritten. Automated Machine Learning kann in vielen Bereichen seine Anwendung finden, von der Erkennung von Anomalien über deren Klassifizierung bis zur Vorhersage. Um jedoch Anomalien zu erkennen und daraus Vorhersagen zu treffen, z.B. für das Predictive Maintenance, müssen die Daten erfasst und in Beziehung zueinander gesetzt werden. Prozessrelevante Daten von Maschinen oder Anlagen liegen in der Regel in ausreichendem Umfang vor. Um die Mehrwerte aus diesen Daten zu extrahieren, werden sie mit Hilfe von Machine-Learning-Methoden analysiert und entsprechende Modelle entwickelt.

Beim Weidmüller Industrial AutoML Tool werden die notwendigen Schritte zur Erstellung von Machine Learning Modellen für verschiedenste ML-Algorithmen automatisiert durchlaufen.
Beim Weidmüller Industrial AutoML Tool werden die notwendigen Schritte zur Erstellung von Machine Learning Modellen für verschiedenste ML-Algorithmen automatisiert durchlaufen.Bild: Weidmüller Gruppe

Durch die Software geführt

Für den Anwender stellt die Software im Wesentlichen zwei Module zur Verfügung. Mit dem Modell Builder kann der Anwender Lösungen zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugen. Entscheidend hierbei ist das Wissen der Applikationsexperten, denn sie haben die Erfahrung, wie das reguläre oder das anormale Verhalten ihrer Maschinen und Anlagen aussieht. Sie erkennen direkt in der übersichtlichen Darstellung der Daten Abweichungen vom normalen Verhalten, können diese detektieren und klassifizieren und so für die Modellbildung definieren. Der mit dem Applikationswissen angereicherte Datensatz ist die Eingangsgröße für das anschließende automatische Generieren der Machine-Learning-Modelle. Dabei entstehen Lösungen, die mit den von Data Scientists manuell erstellten Lösungen durchaus vergleichbar sind. Dem Anwender werden mehrere Modelle vorgeschlagen, die auf unterschiedlichen Algorithmen und Werteparametern beruhen. Am Ende des Modellbildungsprozesses wählt der Nutzer das für seine Applikation am besten geeignete Modell nach bestimmten Kriterien wie Modellgüte, Ausführungszeit oder seinen bevorzugten Parametern aus. Das ausgewählte Modell kann exportiert und in die Ausführungsumgebung überführt werden. Im zweiten Modul der AutoML-Software erfolgt schließlich die Ausführung der Modelle an der Maschine – on premise oder Cloud-basiert – in der sogenannten Laufzeitumgebung.

Entscheidende Mehrwerte

Die Möglichkeiten des Machine Learnings werden mit dem immer breiter werdenden Spektrum größer. Das macht es nicht unbedingt einfacher, ohne spezifische Data-Science-Kenntnisse, die bestmögliche Erstellung und Implementierung sowie die operative Anwendung zu erreichen. Mit anderen Worten: die Erstellung von Machine-Learning-Modellen ist in der Regel zeitaufwändig und kostenintensiv in der Umsetzung. In der klassischen Herangehensweise zur Einführung von KI werden verschiedene technische Machbarkeitsstudien, sogenannte Proof-of-Concepts durchlaufen, um passende Use Cases zu finden. Darin werden die mit Machine Learning erzielbaren Ergebnisse von Maschinenexperten validiert und deren Wirtschaftlichkeit überprüft. Durch die Automatisierung mit dem AutoML-Tool ergibt sich eine hohe Zeitersparnis für die Erstellung und den Vergleich von Modellen und Ergebnissen, die Time-to-Market wird verkürzt. Die Aufgaben können deutlich rationeller umgesetzt werden, was wiederum wertvolle Ressourcen spart. Gleichzeitig profitiert der Nutzer auch von aktuellen Entwicklungen aus dem Machine-Learning-Umfeld, die kontinuierlich in das Tool einfließen. Vor allem aber liefert das Weidmüller-Tool einen entscheidenden Vorteil: Die Analyse der Daten, die in der Regel vom einem Data Scientist eines externen Partners oder aus dem eigenen Unternehmen durchgeführt werden muss, liefert das Tool – es wird lediglich gefüttert mit dem Applikations-Knowhow des Anwender. Mit anderen Worten: das Knowhow über die Maschine und deren Anwendung fließt unmittelbar in die Modellbildung ein. Die Symbiose aus Fachexpertise zur Maschine und Data-Science-Knowhow liefert schnell und einfach Ergebnisse – ohne umfangreiche Schulung und ohne Zukauf von weiterem Knowhow. Bereits in einer Stunde lässt sich ein Modell aufsetzen, das automatisiert Anomalien erkennen kann.

Einfacher Betrieb und kontinuierliche Optimierung der Modelle - Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung und -optimierung
Einfacher Betrieb und kontinuierliche Optimierung der Modelle – Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung und -optimierungBild: Weidmüller Gruppe

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.