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.
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.
Mit dem Modul zur Modellbildung kann der Domänenexperte basierende auf den Trainingsdaten und seines Applikationswissen ML-Lösungen zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugen. Weltweit einmalig ist die Anomalieerkennung auf Basis von ‚Gut-Daten‘, dem ‚unsupervised‘ Training. Ein Assistenzsystem unterstützt den Labeling-Prozess. Mit einem Label markiert der Nutzer Bereiche in den Daten, in denen ein normales oder unerwünschtes Verhalten vorliegt. Die gelabelten Datensätze werden in Modelle überführt und mit verschiedenen ML-Verfahren trainiert. Ein Algorithmus erlernt dabei die typischen Datenmuster eines normalen Maschinenverhaltens anhand historischer Daten. Zur Laufzeit können Abweichungen von diesen Mustern identifiziert werden. Bei den erkannten Anomalien kann es sich um Ineffizienzen, kleinere Störungen oder größere Fehlerfälle handeln. Das System ist durch diese Herangehensweise in der Lage, auch bisher vollkommen unbekannte Fehlerfälle schon bei ihrem ersten Auftreten zu erkennen. Ergebnis des vollautomatischen Modellbildungsprozesses ist eine komplett konfigurierte ML-Pipeline inklusive einer Liste mit alternativen Modellen, die mit Hinweisen zur Ergebnisgüte, Ausführungszeit oder Trainingsdauer versehen werden.
Darüber hinaus dient der Modellbuilder zur Optimierung der ML-Modelle im Betrieb. Neue Ereignisse wie bestimmte Betriebssituationen, Anomalien oder Fehler die während des Betriebs beispielsweise eines Regalbediengerätes vorkommen und nicht in den Trainingsdaten enthalten waren, können den Modellen mit wenigen Klicks hinzugefügt werden, wodurch sich die Modelle über ihren Lebenszyklus kontinuierlich verbessern lassen.
Das zweite Modul der AutoML-Lösung ist die Ausführungsumgebung, die zum Betrieb der ML-Modelle in der Cloud oder in einer on Premise-Anwendung dient. Sie ist plattformunabhängig und skaliert automatisch gemäß der Anzahl der auszuführenden Modelle. Darüber hinaus stellt die Ausführungsumgebung die Modellergebnisse verständlich dar, sodass der Nutzer konkrete Handlungen z.B. zur Fehlervermeidung umsetzten kann. Da die Modelle über ihren Lebenszyklus angereichert werden und damit Modellvarianten entstehen, ist ein Modellmanagement ein weiterer Bestandteil der Ausführungsumgebung. Das Modellmanagement stellt u.a. Funktionen zur Modellversionierung, -wiederherstellung, und -Modellüberwachung bereit.
Fazit
Die Weidmüller AutoML-Lösung ermöglicht es praktisch jedem Applikationsexperten in der Intralogistik, ML-Modelle für verschiedenste Use Cases zu erstellen und einzusetzen. Es ist die erste Lösung, mit der ML-Modelle ohne Expertenwissen im Bereich Data Science und nur auf Basis des Domänenwissens erzeugt werden können. Im Zentrum steht der Nutzer mit seinem Applikationswissen, das letztendlich auch dazu beiträgt, die Akzeptanz von ML in der Industrie zu erhöhen. Die Software ist eine Ende-zu-Ende Lösung zum Erstellen, Betreiben und Optimieren von ML-Modellen, die es bisher so für industrielle Anwendungen nicht gibt. Sie reduziert die Komplexität beim Einsatz des maschinellen Lernens und beschleunigt die Realisierung von ML-Lösungen erheblich. Damit wird ein starker Beitrag geleistet die Industrie mit ML-Anwendungen in der Breite zu durchdringen – entscheidend für den ökonomischen und ökologischen Erfolg des europäischen Wirtschaftsstandorts. Nicht nur der Gewinn des Deutschen Exzellenz-Preis 2020 beweist die einfache Anwendung des Automated Machine-Learning Tools, auch die Rückmeldungen erster Pilotanwender bei Maschinenbauern und -betreibern zeigt, dass der Auto-ML-Service in seiner Funktionsweise und in der Nutzerführung optimal auf die Bedürfnisse der Anwender zugeschnitten ist. www.weidmueller.de
