Seit einigen Jahren schon werden die Fantasien der Ingenieure und Anlagenbauer beflügelt durch die Möglichkeiten von künstlicher Intelligenz (KI) und Machine Learning (ML). Die Erhebung und Veredelung von Daten ermöglichen gesteigerte Effizienz und Produktivität. Möglich gemacht werden sollen dieses mittels ML-Algorithmen. Was zunächst sehr deep-tech klingt, bietet konkrete Vorteile für die Smart Factory. Maschinen und Anlagen bzw. Produktionsprozesse erzeugen kontinuierlich Daten. Erfolgreich werden zukünftig Unternehmen sein, denen es gelingt, Mehrwert aus diesen Daten zu generieren. Einen Mehrwert erschließt sich vor allem im Bereich der Datenanalyse, so z.B. bei Predictive Maintenance. Vereinfacht ausgedrückt meldet die Maschine selbständig, wann voraussichtlich ein Ersatzteil benötigt wird. So können Maschinenbauer zukünftig neue datengetriebene Services anbieten und somit neue Geschäftsmodelle etablieren. Produzierende Unternehmen erhöhen ihre Produktqualität und reduzieren Kosten.
ML standardisiert
Die Methoden von KI und ML lassen sich gut als Werkzeuge zur Analyse der Maschinendaten einsetzen. Sie erlauben es, bisher unerschlossene Daten zu verknüpfen und unbekannte Zusammenhänge zu identifizieren. Aber was steckt genau hinter Data Science? Was versteht man eigentlich unter Automated Machine Learning? Das Konzept von Weidmüller sieht einen einfachen Einsatz von KI mittels einer Automated Machine Learning Software für den Maschinen- und Anlagenbau vor. Dazu hat der Anbieter die Anwendung von ML für industrielle Applikationen soweit standardisiert und vereinfacht, dass Domänenexperten ohne Expertenwissen im Bereich Data Science eigenständig ML-Lösungen erzeugen können. Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung, weshalb Weidmüller hier von Guided Analytics spricht. Maschinen- und Prozessexperten können selbstständig, ohne die Hilfe von Data Scientists, ML-Modelle erstellen, modifizieren und zur Ausführung bringen, um Ausfallzeiten und Fehler zu reduzieren, Wartungsprozesse zu verbessern oder die Produktqualität zu erhöhen. Die Software hilft bei der Übersetzung und Archivierung des 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 ML-Schritten.
Anwendung in vielen Bereichen
Automated ML kann in vielen Bereichen seine Anwendung finden: von der Erkennung von Anomalien, deren Klassifizierung bis zur Vorhersage. Um jedoch Anomalien zu erkennen und daraus Vorhersagen zu treffen, z.B. für Predictive Maintenance, müssen die Daten erfasst und in Beziehung zueinander gesetzt werden. Prozessrelevante Daten von Maschinen oder Anlagen liegen in der Regel in ausreichendem Umfang vor. Um die Mehrwerte aus diesen Daten zu extrahieren, werden sie mit Hilfe von ML-Methoden analysiert und entsprechende Modelle entwickelt.