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 3 .

Methode 3: Generische ML-Verfahren

Ein dritter, ganz anderer Ansatz, der im Rahmen der VDI-Tagung intensiv diskutiert wurde, besteht darin, eine generische Datenanalysemethode direkt in die Edge zu packen und dort bereits viele maschinelle Lernaufgaben zu erledigen. Der Reiz dieses Ansatzes liegt gerade darin, dass sich auf diese Weise effiziente Implementierungen für verteilte Automationssystemen erstellen lassen – und dies unter Erfüllung wichtiger Eigenschaften wie Zuverlässigkeit und Echtzeit-Fähigkeit.

Ein Beispiel: Neuronale Netze sind leistungsfähige ML-Werkzeuge, mit denen sich speziell in industriellen Umgebungen sehr präzise Datenmodelle erzeugen lassen – immer vorausgesetzt, es sind genügend Zeitreihendaten in ausreichender Qualität vorhanden. Auf diese Weise sind gewisse Aufgaben durch Softwareagenten automatisierbar – insbesondere die Optimierung von bestimmten Zielgrößen in Fabrikprozessen (Menge, Zeit, Qualität und Kosten), aber auch die Überwachung oder Vorschau von Prozess- und Zustandsgrößen (Anlagenverhalten, Ausfälle oder Störungen). 

Output-Größen im nicht-optimierten Fall
© Ahorner

Bild 3: Automationstechnik und Sensoren in der Chemieanlage liefern die Input-Größen. Damit wird ein Neuronales Netz trainiert. Nun lassen sich ein gewünschter Betriebszustand (zum Beispiel Maximierung der Produktionsmenge) und die dafür erforderlichen Einstellgrößen automatisch bestimmen. Das Bild zeigt die Output-Größen im nicht-optimierten Fall (gemessene Werte) versus dem optimierten Fall (berechnete Werte).

Dazu werden Sensordaten aus dem Prozessleitsystem oder aus den dezentralen Steuerungen der Fabrik zu einem empirischen Anlagenmodell zusammengeführt: Dies umfasst Zielgrößen wie etwa KPIs, Störgrößen, nicht beobachtbare Signale und regelbare oder kontrollierbare Größen. Die Datenvorverarbeitung macht dabei heute in der Praxis immer noch bis zu 80 % der menschlichen Arbeit beim Erstellen des Datenmodells aus. Das Vorgehen dabei ist wie folgt: Das Neuronale Netz wird zunächst mit einem Teil historischer Daten trainiert (Offline-Learning). Das Modell bildet selbstständig eine Formel, um die historischen Output-Resultate aus gegebenen Input-Daten zu berechnen. Anschließend wird mit einem weiteren Teil der historischen Daten überprüft, wie gut das Neuronale Netz nun weitere Output-Ergebnisse aus bisher nicht bekannten Input-Daten selbstständig berechnen kann. Auf diese Weise wird das Modell validiert und getestet. Zum Schluss schließt man das Datenmodell an die Anlage an, um den Algorithmus mit aktuellen Betriebsdaten selbstständig und kontinuierlich anzupassen (Online-Learning). In der Offline-Phase wird also mit historischen Daten gearbeitet; in der Online-Phase wird das Modell implementiert und damit an die tatsächliche Datenwelt angeschlossen. Bild 3 zeigt beispielhaft die Prognose der Produktionsmenge einer chemischen Fabrik mittels eines neuronalen Netzes.

Vorteile:
Der Vorteil dieser Herangehensweise ist, dass die bestehende Vielzahl der ML-Verfahren durch ein einzelnes Verfahren ersetzt wird. Hierdurch gestaltet sich auch die Parametrisierung der Methoden einfacher, für ein einzelnes Verfahren lassen sich analog zum AutoML-Ansatz durchaus anhand der Datencharakteristika und der Aufgabenstellung automatisch Parametereinstellungen auswählen. Auch lassen sich generische Implementierungen auf Geräten zur Verfügung stellen, sodass eine ‚On-The-Edge‘-­Umsetzung wahrscheinlicher wird.
 
Nachteile:
Nachteil dieses Ansatzes ist, dass aktuell kein Verfahren für die verschiedenen Datentypen und die unterschiedlichen Aufgaben als generisch einsetzbar anerkannt ist. Tiefe Neuronale Netze sind sicherlich der vielversprechendste Kandidat, weisen aber bezüglich Anforderungen an die Datenmenge, Belastbarkeit der Ergebnisse sowie der Einsetzbarkeit für zeitdynamische Systeme Nachteile auf. Diesbezüglich sind noch diverse Forschungslücken zu schließen.

Seite 4 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