Schwerpunkte

Machine Learning

Lösungsansätze im direkten Vergleich

11. November 2019, 08:00 Uhr   |  Markus Ahorner, Jens Eickmeyer, Dr. Oliver Niggemann, Peter Seeberg


Fortsetzung des Artikels von Teil 1 .

Methode 1: Interaktive Datenanalyse

Dieser Ansatz entspricht dem klassischen Vorgehen bei der Datenanalyse: Ein Experte sichtet manuell die Daten und erarbeitet sich ein Verständnis bezüglich des Analyse-Problems. Basierend auf diesen Informationen erfolgt eine Auswahl der Analyse-Methoden. Der Experte wendet diese Methoden auf die Daten an und optimiert manuell die Parameter der Methode. Am Ende werden die Ergebnisse grafisch aufbereitet und präsentiert.

Gruppierung bisheriger ML-Ansätze
© Niggemann

Bild 1: Gruppierung bisheriger ML-Ansätze für die Produktion in drei Klassen anhand der Lösungsdimensionen ‚Autonomität der Lösung‘ und ‚Berechnungsort‘, das heißt ‚in the cloud‘ oder ‚on the Edge‘.

Typisch bei diesem Vorgehen ist, dass der Experte zumeist einen Informatik- oder datenwissenschaftlichen Hintergrund hat und für die Analyse auf spezielle Datenanalysewerkzeuge setzt. Auswahl und Anwendung der Verfahren erfolgt anhand von Eigenschaften der Daten wie Zeitdynamik, Abhängigkeiten und Rauschen. Der Abgleich mit Domänenwissen dagegen verlangt einen starken interdisziplinären Dialog in der Firma. Solch eine Analyse dauert daher meist mehrere Tage bis Wochen. Diese Methode dürfte in den meisten Fällen der Normalzustand sein. Das heißt, es entspricht dem Vorgehen, welches Data Scientists erlernen und viele IT-Firmen aus dem Bereich in der Vergangenheit erfolgreich angewendet haben. Da bei dieser Methode der Mensch die langsamste Komponente ist, kommen hier für die Analyse zumeist Serversysteme oder gute PC-Plattformen zum Einsatz. Die Daten können problemlos in der Cloud oder in Datenbanksystemen liegen.

Ein Beispiel für diesen Ansatz: Zusammen mit Miele hat der Fraunhofer Institutsteil für industrielle Automation am Fraunhofer IOSB eine interaktive Datenanalyse durchgeführt. Ziel hierbei war die Untersuchung der Taktzeit einer Spülmaschinenproduktion am Standort Bielefeld. Die Prozessexperten von Miele stellten dabei die Daten zur Verfügung, welche der Datenanalyst des Fraunhofer Institutes anschließend manuell aufbereitete.

Im Zuge dieser Aufbereitung wurden hybride Automaten als Methodik genutzt, um in einem ersten Schritt das typische Verhalten der Anlage in Bezug auf die Taktzeit abzubilden. Nach einer grafischen Aufbereitung dieser Daten trafen sich dann sowohl die Prozessexperten als auch die Datenanalysten zu einer Bewertung. Es wurden Zeiten identifiziert, in denen die Maschine außerhalb des Erwartungswertes operierte.

Darstellung des Einsatzes eines Schrittfolgeautomaten
© Fraunhofer IOSB-INA

Bild 2: Darstellung des Einsatzes eines Schrittfolgeautomaten zur Identifikation von zeitlichen Varianzen in der Produktionsfolge. Tiefe Analysen der Zustandsübergänge liefern wichtige Hinweise zur Begründung der Varianzen.

Bild 2 zeigt den vereinfachten Schrittfolgeautomaten. Mittels dieses Automaten wurden die Zustandsfolgen gefunden, bei deren Transition die größten Varianzen der Produktionszeit auftraten. Anschließend erfolgte ein Abgleich dieser Varianzen der Produktionszeit mit Ausfällen und anderen produktionsbedingten Verzögerungen. Schließlich verblieben nur unerklärte Zykluszeit-Abweichungen, die sich weitergehend untersuchen ließen. Dafür wurden Dimensionsreduktionsverfahren, grafische Analysen und Methoden zu Ausreißer-Erkennung kombiniert und die Ergebnisse dann mit den Experten besprochen. Am Ende dieses Prozesses stellten die Prozessexperten auf Basis der Datenanalyse Hypothesen für die Abweichungen der beobachteten Zyklen auf und leiteten daraus entsprechende Handlungen ab.

Vorteile:
Vorteil der interaktiven Datenanalyse ist vor allem, dass dieses Vorgehen seit langem etabliert und bewährt ist. Menschliche Experten können gut anhand der Datencharakteristika Verfahren und Parameter auswählen. Auch sind sie in der Lage, die Ergebnisse zu interpretieren und ihren Auftraggebern in deren Sprache zu kommunizieren. Auch die Werkzeuge sind zumeist auf dieses Vorgehen zugeschnitten. Ein weiterer Vorteil ist es, dass für die Analyse Standardsoftware verwendbar ist.

Nachteile:
Nachteil bei diesem Vorgehen ist, dass der Experte nicht nur ein tiefes Verständnis der Analysemethoden braucht, sondern auch über Domänenwissen verfügen muss. In der Praxis scheitert dies Vorgehen zumeist an der Verfügbarkeit von Experten; gerade KMUs sind nicht in der Lage, diese am Arbeitsmarkt einzustellen. Ein weiterer Nachteil ist die dafür notwendige Zeit, wodurch diese Methode für zeitkritische Fragen wenig sinnvoll erscheint.

Seite 2 von 5

1. Lösungsansätze im direkten Vergleich
2. Methode 1: Interaktive Datenanalyse
3. Methode 2: AutoML
4. Methode 3: Generische ML-Verfahren
5. Zusammenfassung

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Verwandte Artikel

Fraunhofer IOSB (Institut für Optronik, Systemtechnik und Bildauswertung), asimovero.AI AG, Ahorner und Partner, Helmut-Schmidt-Universität d. Bundeswehr Hamburg