Aufrufe
vor 2 Monaten

antriebstechnik 6/2021

  • Text
  • Forschung
  • Komponenten
  • Unternehmen
  • Gestaltung
  • Entwicklung
  • Anforderungen
  • Sensoren
  • Bild
  • Vergleich
  • Antriebstechnik
antriebstechnik 6/2021

XXX SPECIAL: AUTOMATION

XXX SPECIAL: AUTOMATION UND ROBOTICS KÜNSTLICHE INTELLIGENZ MACHINE-LEARNING FÜR „JEDERMANN“ Ein automatisiertes Machine-Learning-Tool für den Maschinenund Anlagenbau führt die Datenanalyse selbstständig aus. Maschinenexperten haben damit die Möglichkeit, auch ohne spezialisierte Data-Science-Fachkenntnisse effektive Automatisierungslösungen zu finden. Dr.-Ing. Rolf Sohrmann ist BDM Industrial Analytics & IoT bei Weidmüller Interface GmbH & Co. KG in Detmold DIE IDEE Seit einigen Jahren schon werden die Fantasien der Ingenieure und Anlagenbauer beflügelt durch die Möglichkeiten der Künstlichen Intelligenz (KI). Die Erhebung und Veredelung von Daten ermöglichen eine gesteigerte Effizienz und Produktivität. Möglich gemacht werden sollen diese mittels Machine Learning Algorithmen. Was zunächst sehr deep-tech klingt, bietet konkrete Vorteile für die Smart Industry. Maschinen und Anlagen bzw. Produktionsprozesse erzeugen kontinuierlich Daten. Unternehmen können aus diesen Daten einen Mehrwert generieren. Ein 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. Produzierende Unternehmen erhöhen ihre Produktqualität und reduzieren Kosten. Methoden der künstlichen Intelligenz (KI) und insbesondere des Machine Learnings (ML) sind Werkzeuge, die zur Analyse der Maschinendaten eingesetzt werden. Diese erlauben es, bisher unerschlossene Daten zu verknüpfen und unbekannte Zusammenhänge zu identifizieren. Aber was steckt genau hinter Data Science? Was versteht man eigentlich unter „Automated Machine Learning“? AUTOMATISIERTES MASCHINELLES LERNEN Das Konzept von Weidmüller ist der einfache Einsatz von KI mittels einer Automated Machine Learning Software für den Maschinen- und Anlagenbau. Dazu hat Weidmüller die Anwendung von ML für industrielle Applikationen soweit standardisiert und vereinfacht, dass Domänenexperten ohne Expertenwissen im Bereich Data Science eigenständig ML- Lösungen erzeugen können. Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung, weshalb Weidmüller hier auch von „Guided Analytics“ spricht. „Die Entwicklung von Industrial Analytics-Lösungen erfordert in der Regel das spezifische Know-how eines Data Scientists. Mit unserem Automated Machine Learning-Tool können Sie KI- und ML-basierte Modelle ohne externe Beratung eigenständig erstellen.“ Dr.-Ing. Rolf Sohrmann, BDM Industrial Analytics & IoT, Weidmüller Interface GmbH & Co. KG 32 antriebstechnik 2021/06 www.antriebstechnik.de

SPECIAL: AUTOMATION UND ROBOTICS XXX Maschinen- und Prozessexperten können einfach, ohne die Hilfe von Data Scientisten, ML-Modelle erstellen, modifizieren und zur Ausführung bringen, um Ausfallzeiten und Fehler zu reduzieren, Wartungsarbeiten zu optimieren 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 Experte auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden ML-Schritten. Automated Machine Learning kann in vielen Bereichen seine Anwendung finden, von der Erkennung von Anomalien, 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. ZWEI FUNKTIONEN: ANALYSE UND AUSFÜHRUNG Für den Anwender stellt die Software im Wesentlichen zwei Module zur Verfügung. Mit dem Modell Builder kann der Domänenexperte ML-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. Die Experten 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 ML-Modelle. Dabei entstehen ML-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. Im zweiten Modul der AutoML Software erfolgt schließlich die Ausführung der Modelle an der Maschine – on premise oder Cloud-basiert – in der sogenannten Laufzeitumgebung. KEIN SPEZIFISCHES DATA-SCIENCE-WISSEN NOTWENDIG 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 von ML zu erreichen. Mit anderen Worten: die Erstellung von ML Modellen ist in der Regel zeitaufwändig und kostenintensiv in der Umsetzung. Die Analyse der Daten für ML Modelle werden daher in der Regel von einem Data Scientist eines externen Partners oder aus dem eigenen Unternehmen durchgeführt. Das AutoML Tool von Weidmüller übernimmt diese Aufgabe selbst. Es muss „lediglich“ gefüttert werden mit dem Applikationsknowhow des Experten. Die Symbiose aus Fachexpertise zur Maschine und Data Science Fachwissen – was das Tool mitbringt – liefert ohne umfangreiche Schulung Ergebnisse. Bereits in einer Stunde lässt sich ein Modell aufsetzen, welches automatisiert Anomalien erkennt. Gleichzeitig fließen kontinuierlich die jeweils aktuellsten Entwicklungen aus dem Machine Learning Umfeld in das Tool. Dennoch ist zu beachten: Die Arbeit mit zeitreihenbasierten Daten und gängigen ML-Algorithmen allein implementieren noch nicht die ideale Automatisierungslösung. Der Schlüssel zum Erfolg liegt im gezielten Zuschnitt der ML-Automatisierung durch die sukzessive Verkleinerung des Suchraumes. Genauer: Je breiter der Anwendungsbereich sein soll, desto allgemeiner müssen die ML- Pipelines ausgestaltet sein. Es ist offensichtlich, dass die Überwachung eines Kühlsystems basierend auf Steuerungsdaten eine andere Herangehensweise benötigt als die Überwachung eines Lagers mit Hilfe von Schwingungsdaten. Werden also z. B. spezifische ML-Lösungen für die in der Intralogistik üblichen Regalbediengeräte aufgebaut, so können hier – bei entsprechender Datenlage – sehr gute Ergebnisse erzielt werden. Auch für Cluster wie Motoren/Pumpen/Kompressoren/ Gebläse sind die Vorteile von spezifischen ML-Lösungen offenkundig. U. a. sind Motoren häufig überdimensioniert. Hier lassen sich mit ML-Lösungen oftmals Optimierungsansätze realisieren. Fotos: Weidmüller Interface GmbH & Co. KG www.weidmueller.de

Aktuelle Ausgabe

Aktuelle Ausgabe