Industrial Analytics in der Intralogistik
Weichen für Morgen stellen. Digitale Technologien wie künstliche Intelligenz und Machine Learning bestimmen den Geschäftserfolg. Dafür liefert Weidmüller mit AutoML eine Software, die keinen Data Scientist als Bediener braucht.
 Die Weidmüller AutoML-Lösung ermöglicht es praktisch jedem Applikationsexperten in der Intralogistik, ML-Modelle für verschiedenste Use Cases zu erstellen und einzusetzen.
Die Weidmüller AutoML-Lösung ermöglicht es praktisch jedem Applikationsexperten in der Intralogistik, ML-Modelle für verschiedenste Use Cases zu erstellen und einzusetzen.Bild: Weidmüller Gruppe

Der Einsatz von künstlicher Intelligenz (KI) in industriellen Produktionsanlagen gehört aktuell zu einer der zentralen Herausforderungen für Maschinen- und Anlagenbetreiber. Lösungen mit künstlicher Intelligenz finden in vielen Bereichen ihre Anwendung, ob von der Anomalieerkennung, der Klassifizierung und Vorhersage von Verschleiß, zur Qualitätskontrolle bis hin zu besseren, zielgerichteten Serviceaktivitäten. In komplexen Maschinen, wie z.B. in einem Regalbediengerät, werden kontinuierlich Daten erzeugt. Wem es gelingt, diese in konkrete Mehrwerte zu überführen, erschließt sich dadurch entscheidende Wettbewerbsvorteile.

Aber wie gelingt der Einstieg in KI? Mit dem Automated Machine Learning Tool (AutoML) gibt Weidmüller Nutzern eine entsprechende Software an die Hand. Damit gelingt der Einstig auch ohne den Einsatz von Data Scientisten, denn mit dem AutoML-Tool werden die Domänenexperten befähigt auf Basis ihres Applikationswissens eigenständig Machine Learning (ML) Modelle zu erzeugen. So können Sie ihr tiefes Fachwissen über ihre Maschinen- und Anlagenprozesse mit einbringen bis am Ende des Modellbildungsprozesses der Experte das für seine Applikation am besten passende erhält.

Komplexer Modellbildungsprozess

Bei der Entwicklung aussagekräftiger Analysemodelle sind gerade mittelständische Unternehmen vielfach noch auf die externe Unterstützung von Data Scientists angewiesen. Heute analysieren Data Scientists die Daten und erstellen ML-Modelle. Der Prozess der Modellbildung ist sehr komplex. Die konkrete Ausgestaltung ist dabei für jeden Use Case spezifisch. So müssen die meisten Parameter für die ML-Lösung in kreativer und zugleich mühevoller Arbeit manuell bestimmt werden. Bei der Modellbildung diskutiert der Data Scientist kontinuierlich die in den Daten gefundenen Zusammenhänge mit den Maschinen- und Prozessexperten. Gemeinsam erfolgt eine ingenieurmäßige Interpretation der Ergebnisse, wodurch letztendlich die Parameter für das Modell sowie die Pipeline identifiziert und festgelegt werden. Das Applikationswissen der Domänenexperten trägt also entscheidend für den Erfolg einer gute ML-Lösung bei.

 Machine Learning einfach anwenden ohne Expertenwissen im Bereich Data Science -Automatische Modellbildung.
Machine Learning einfach anwenden ohne Expertenwissen im Bereich Data Science -Automatische Modellbildung.Bild: Weidmüller Gruppe

Die Anwendung von Machine Learning demokratisieren

Die Vision von Weidmüller ist es, die Anwendung von Machine Learning zu demokratisieren, d.h. jedem Domänenexperten in der Industrie zugänglich zu machen, damit die Anwendung von ML in der Industrie nicht durch die geringe Anzahl von Data Scientists eingeschränkt wird und das vorhandene Wissen der Fachexperten optimal genutzt wird. Dafür stellt Weidmüller das Automated Machine Learning Tool bereit, damit Domänenexperten ohne Expertenwissen im Bereich Data Science eigenständig ML-Lösungen erzeugen können. Die Domänenexperten verknüpfen ihr spezifisches Wissen bewusst mit dem AutoML-Prozess, um so exzellente ML-Lösungen zu schaffen.

Guided Analytics

Die AutoML-Software führt den Nutzer durch den Prozess der Modellentwicklung, weshalb hier auch von ‚Guided Analytics‘ gesprochen wird. Dabei fokussiert sich der Experte auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden ML-Prozessen. Als Beispiel dient ein Regalbediengerät: Hier werden permanent physikalischen Werte erzeugt und gemessen, wie die Daten der Motoren, Server (Umrichter) und aller mechanischen Komponenten z.B. der Längenänderungen von Stahlseilen oder der Drehzahlveränderung der Laufräder. Diese physikalischen Maschinen und Prozessdaten können mit Hilfe der Automated ML Software in unterschiedliche Modelle überführt werden. Die AutoML-Lösung besteht im Wesentlichen aus zwei Modulen zur Modellbildung, -ausführung, und -optimierung sowie zum Management der Modelle über ihren Lebenszyklus.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: Toyota Material Handling
Bild: Toyota Material Handling
Weltrangliste Flurförderzeuge
2020/2021

Weltrangliste Flurförderzeuge 2020/2021

Bei der Auswertung der World Industrial Truck Statistics (WITS) stößt man auf Rückschläge und Steigerungen durch Schwankungen der Auftragseingänge und Auslieferungen der Flurförderzeugklassen. Für das Geschäftsjahr 2020 bzw. 2020/2021 haben 20 der beteiligten 27 Unternehmen Rückgänge im Nettoumsatz ihrer Flurförderzeugsparten gemeldet, die wohl auch auf der Corona-Pandemie
beruhen. Sechs Firmen haben über Zuwächse berichtet. Ein weiterer Hersteller, der 2020 in die Weltrangliste zurückgekehrt ist, hat keinen Vergleich zum Vorjahr
angegeben. Letztlich spiegeln die WITS einen wechselnden Bedarf am breiten Spektrum der Flurförderzeugtypen.

Anzeige

Anzeige

Anzeige