.jpg)
Roboter, Maschinen und Anlagen bzw. Produktionsprozesse erzeugen heutzutage kontinuierlich Daten, die richtig genutzt, den Unternehmen einen Mehrwert bringen. Dieser erschließt sich vor allem im Bereich der Datenanalyse, so z.B. bei Predictive Maintenance oder Predictive Quality. Erfahren Sie mehr über die KI-Applikationen von Weidmüller, die genau hier ansetzen.
Die Methoden und Werkzeuge des Machine Learning (ML) ermöglichen es, einen bisher unerschlossenen Zugang zu solchen industriellen Maschinendaten zu liefern und darüber unbekannte Zusammenhänge zu identifizieren. Anwender werden damit in die Lage versetzt, proaktiv zu reagieren. Mit dem Einsatz des Weidmüller Industrial AutoML Tools können Anwender beispielsweise Aussagen über die durch einen Schweißroboter erstellen Schweißnähte treffen oder bestimmen, wann der Wechsel eines Werkzeuges angezeigt ist.
Der Schlüssel liegt in der Einfachheit
Die Erstellung von ML-Modellen ist heute jedoch zeitaufwendig und kostenintensiv. Der Weidmüller Tool bedient hier den Bedarf nach einem neuen, pragmatischen und wirtschaftlichen Ansatz für ML in der industriellen Anwendung. Weidmüller hat sich zum Ziel gesetzt, Maschinenbauer & -betreiber darin zu befähigen, Machine Learning-Modelle eigenständig zu erstellen und so die gesammelten Daten in einen Mehrwert zu überführen. So sind die Betreiber in der Lage, die Produktion zu optimieren, Ausfallzeiten und Fehler zu reduzieren, Wartungsarbeiten zu optimieren und die Produktqualität zu verbessern oder neue Services zu generieren.
Dafür hat Weidmüller die Anwendung des maschinellen Lernens so stark vereinfacht, dass Domänenexperten mit ihrem Wissen über die Maschine, den Roboter oder den Produktionsprozess eigenständig ML- bzw. KI-Lösungen realisieren können – und zwar ohne Expertenwissen im Bereich Data Science. Denn Data Scientists sind keine Maschinenexperten und die Applikationsexperten sind keine Data Scientists.
In wenigen Schritten zum ML-Modell
Mit dem Industrial AutoML Tool von Weidmüller ist der Anwender jetzt in der Lage, in vier einfachen Hauptschritten ein ML-Modell eigenständig zu bauen und zu betreiben: Datenimport, Datenanreicherung, automatisierte Modellerstellung und Modell-Deployment.
Für die einfache Ausarbeitung von ML-Modellen führt das Software-Tool den Anwender durch den Prozess der Modellentwicklung. 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.
Einfach intuitiv durch die Software geführt
Für den Anwender stellt die Software im Wesentlichen zwei Module zur Verfügung. Mit dem ModelBuilder erzeugt der Domänenexperte ML-Modelle beispielsweise zur Anomalieerkennung und Klassifikation. Entscheidend hierbei ist das Wissen der Applikationsexperten, denn sie haben die Erfahrung, wie das reguläre oder das anormale Verhalten ihrer Maschinen, eines Roboters oder von Anlagen aussieht. Die Experten erkennen direkt in der übersichtlichen Darstellung der Daten Abweichungen vom “normalen” Verhalten, können diese detektieren, labeln und so für die Modellbildung anreichern.
Arbeiten wie ein Data Scientist
Der mit dem Applikationswissen angereicherte Datensatz ist die Eingangsgröße für das anschließende, automatisierte 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. Ziel ist es, im gigantischen Optimierungsraum der ML-Möglichkeiten automatisiert die vielversprechendsten Pipelines und Modelle zu finden, unter anderem durch unterschiedliche Kombinationen von Features, Auswahl der passenden Algorithmen und Optimierung von deren Hyperparametern. Dazu fragt die Software an dezidierten Stellen ganz implizit das Wissen der Domainexperten ab und bringt es als Input für die Modellbildung mit ein.
Anomalien erkennen
Betrachtet man beispielsweise durch einen Schweißroboter geführte Schweißvorgänge, werden in der Voranalyse Datensätze von Schweißnähten ermittelt, die relevanten Daten herausgefiltert und anhand von intelligenten Datenanalyseverfahren ausgewertet. Die Ergebnisse der Analyse können dann als Referenzdatensatz in der Software hinterlegt werden. Einen wesentlichen Bestandteil der Analysen bildet dabei das Know-how der Domainexperten. Das Weidmüller Industrial AutoML Tool kann Fehler zwar mit einer bestimmten Wahrscheinlichkeit vorhersagen – Voraussetzung hierfür ist jedoch stets, dass er zuvor klassifiziert worden ist. Die Klassifikation übernimmt der Domainexperten mit dem Tool eigenständig.
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 das Deployment, die Ausführung der Modelle an der Maschine – on premise oder Cloud-basiert – in der sogenannten Laufzeitumgebung. Im Fall eines Schweißroboters kann so, während des Schweißprozesses, die Software die Daten, die von den Sensoren geliefert werden, mit den hinterlegten idealen Datenmodellen des Referenzsatzes vergleichen. Sobald eine Abweichung außerhalb der definierten Parameter vorliegt, erhält der Anlagenbediener einen Hinweis, dass eine Anomalie beim Schweißprozess aufgetreten ist.
Zeit und Ressourcen sparen
Durch die ML-Automatisierung mit dem Weidmüller Industrial 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 den jeweils aktuellsten Entwicklungen aus dem Machine Learning Umfeld, die kontinuierlich in das Tool einfließen. So können nun beispielsweise auch zyklische Prozesse aus der diskreten Fertigung analysiert werden. Für die einfache Anwendung des Industrial AutoML-Tools spricht auch, das der Nutzer die Ergebnisse aus dem Algorithmus gut nachvollziehen kann, denn es ist keine Black Box, die scheinbar willkürliche Ergebnisse ausspuckt, sondern gibt beispielsweise Feedback zur Relevanz der ausgewählten Feature. So lassen sich die Modelle und damit die Ergebnisse über die Zeit durch neuen Input weiter optimieren, beispielsweise das Hinzufügen neuer Annotationen (Modellweiterentwicklung).
Autorin: Dipl.-Ing. Silke Lödige, Fachpresse Referentin, Weidmüller Interface GmbH & Co. KG
