Weidmüller

Machine Learning automatisiert

25. Oktober 2021, 17:00 Uhr | Silke Lödige

Ohne Vorkenntnisse in Data Science Analysefunktionen nutzen, um Betriebsabläufe zu optimieren, die Produktqualität zu verbessern und neue Geschäftsmodelle zu erstellen? Machine-Learning-Modelle entwickeln und betreiben, ohne Datenexperte zu sein? Eine Software macht’s möglich.

Bislang wird von den durch die Digitalisierung in Fertigungsanlagen zur Verfügung stehenden Daten nur ein Bruchteil gezielt ausgewertet. Dabei kann die Nutzung von Künstlicher Intelligenz für die Auswertung der Daten beispielsweise dabei helfen, die Qualität von Produkten zu verbessern, Prozessabläufe zu optimieren oder den Zustand einer Maschine kontinuierlich zu überwachen. Was aber folgt daraus für Maschinenbauer und Anlagenbetreiber? Wie tief und in welcher Form müssen sie sich mit Künstlicher Intel-ligenz (KI) beschäftigen?

In der Regel ist die Erstellung von Machine Learning-Modellen (ML) zeitaufwendig und die Umsetzung kostenintensiv: In der klassischen Herangehensweise zur Entwicklung eines ML-Modells ist ein komplexer manueller Prozess zu durchlaufen, der einen Datensatz über verschiedene Prozessschritte verarbeitet und erst anschließend zum ML-Modell führt. Der hierfür genutzte Datensatz besteht aus historischen Daten der Maschine oder der betrachteten Prozesse. Ausgeführt werden diese aufwendigen Prozesse gewöhnlich von Data Scientists.

Matchmaker+ Anbieter zum Thema

zu Matchmaker+

Weidmüller verfolgt hier einen anderen Ansatz: Die ‚Industrial AutoML‘-Software setzt auf das Wissen der Domänenexperten. Das heißt: Die Analyse der Daten – die sonst vom einem Data Scientist eines externen Partners oder aus dem eigenen Unternehmen durchgeführt werden muss – liefert das Tool, das ‚lediglich‘ mit dem Applikations-Know-how des Experten gefüttert wird. Mit anderen Worten: Das Wissen über die Maschine und deren Anwendung fließt unmittelbar in die Modellbildung ein. Diese Symbiose aus Fachexpertise zur Maschine und Data-Science-Know-how vom Tool liefert schnell und einfach Ergebnisse – ohne umfangreiche Schulung oder Zukauf von weiterem Know-how.

Bei dem Software-Tool werden die notwendigen Schritte zur Erstellung von ML-Modellen für verschiedenste ML-Algorithmen automatisiert durchlaufen. Anschließend wird automatisch bestimmt, welche ML-Modelle relevante Maschinenzustände oder Prozesskriterien am robustesten erkennen.

Die Navigation

Für die einfache Ausarbeitung von ML-Modellen führt das Software-Tool den Anwender durch den Prozess der Modellentwicklung. Die ML-Automatisierung betrifft dabei vor allem folgende Schritte: Datenimport, Daten-anreicherung, automatisierte Modell-Erstellung und Modell-Deployment. Dafür besteht die Software aus dem ‚ModelBuilder‘, der für die Erstellung der Modelle zum Einsatz kommt, und der ‚ModelRuntime‘ für das Deployment sowie die Nutzung der Modelle. Die Software hilft dem Anwender also nicht nur bei der Vorbereitung der Trainingsdaten, sondern übernimmt auch die Übersetzung und Archivierung seines komplexen Applikationswissens in eine verlässliche ML-Anwendung. Dabei fokussiert sich der Experte auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden Machine Learning-Schritten. So profitiert der Nutzer auch von den jeweils aktuellen Entwicklungen aus dem Machine Learning-Umfeld, die kontinuierlich in das Tool einfließen. Um die Nutzung der Tools für Anwender weiter zu vereinfachen, wurde insbesondere die Navigation des ModelBuilders verbessert.

Diskrete Prozesse berücksichtigt

Bisher wird in der Datenanalyse häufig außer Acht gelassen, dass eine Maschine verschiedene Zyklen durchläuft. Stattdessen werden diese zusammen als eine Datenbasis gesehen und gemeinsam analysiert. Eine klare Trennung der einzelnen Zyklen ist jedoch wichtig, um später im Betrieb beispielsweise präzise Aussagen über die Produkt-qualität treffen zu können.

Weidmüller hat die Software daher so weiterentwickelt, dass auch diskrete Prozesse berücksichtigt werden. In der Zeitreihen-Betrachtung wird ein Wert beziehungsweise eine einzelne Variable über einen bestimmten Zeitraum erfasst. So können die einzelnen Zyklen gesondert analysiert werden. Betrachtet wird das Verhalten der Maschine innerhalb eines Zyklus, sodass sich beispielsweise Unterschiede der Sensorverläufe von Zyklus zu Zyklus besser erkennen lassen. Damit ergibt sich eine deutliche Verbesserung gegenüber der bisherigen Vorgehensweise: In der Anwendung der Modelle – der ModelRuntime – können nun Aussagen beispielsweise über die Qualität eines einzelnen Werkstücks getroffen werden.