Weidmüllers Automated-Machine-Learning-Tool
Automated-Machine-Learning-Tool: So heißt die Software mit der Weidmüller Künstliche Intelligenz (KI) und Machine-Learning (ML) in der Industrie in die Breite tragen will. Die Anwendung befähigt den Maschinenbauer und -betreiber, das Potential von KI und Machine-Learning eigenständig für sein Anwendungsproblem zu erschließen – zum Beispiel, wenn es darum geht, die Herstellung von Milch oder Schweißprozesse effizienter zu gestalten.
KI und ML Anwendungsfall: Die Molkerei
Bevor Rahm und Magermilch in einer Zentrifuge zunächst getrennt und anschließend wieder zusammengesetzt werden, ermittelt die Software von Weidmüller Antriebs- und Schwingungsdaten der Maschine. Die Daten zeigen, ob die Zentrifuge richtig gereinigt ist oder ob noch Milchreste der vorherigen Charge vorhanden sind. „So kann ein Hinweis an den Maschinenbediener gegeben werden, eine weitere Reinigung durchzuführen, um die Zentrifuge vollständig von Rückständen zu befreien. Auf diese Weise wird vermieden, dass eine sehr große Menge Milch beim Anfahren zur nächsten Schicht entsorgt werden muss“, sagt Tobias Gaukstern, Leiter der Business Unit Industrial Analytics. Für die Molkerei ein echter Kostenvorteil und für Weidmüller ein erfolgreicher Anwendungsfall, wie ihr Automated-Machine-Learning-Tool helfen kann.
Start der Geschäftsidee
„Wir haben die Erkenntnisse aus it’s OWL zuerst in unserer eigenen Produktion eingesetzt und hier sehr gute Ergebnisse erzielt, die uns von dem Nutzen überzeugt haben. –
Dr. Carlos Paiz Gatica, Technologieexperte und damaliger Verantwortlicher bei dem It’s OWL- Projekt
2014 hat sich das Detmolder Elektrotechnikunternehmen erstmals im Rahmen des Spitzenclusters it’s OWL mit den Themen Condition Monitoring und Preventive Maintenance beschäftigt und hat eigene Erfahrungen in der Produktion gesammelt. Daraus habe Weidmüller anschließend eine eigene Geschäftsidee entwickelt.
Andere Projekte des Spitzenclusters it’s OWL
Die Vorteile des Automated-Machine-Learning-Tools
Das Besondere an dem Automated-Machine-Learning-Tool: Der Maschinenbauer und -betreiber ist weder auf einen Data Scientist oder spezielles Wissen im Bereich künstlicher Intelligenz angewiesen. Denn die Software führt den Nutzer durch den Prozess der Modellentwicklung, hilft bei der Übersetzung und Archivierung des Applikationswissen in eine Machine-Learning-Anwendung und stellt für die Ausführung von KI erforderliche Software-Komponenten zur Verfügung. Unternehmen können somit ihr Domänenwissen selbstständig einpflegen und mit den Modellbildungsschritten verknüpfen – und das in kurzer Zeit. Durch das Tool sind Domänenexperte in der Lage, in weniger als einer Stunde eigenständig ein erstes ML-Modell für ihren Use Case zu erstellen und auf der Maschine auszuführen, wofür ein Data Scientist vorher im Rahmen eines Projektes mehrere Wochen bis Monate gebraucht hätte.
Die Funktionsweise der Software
Dabei besteht das Automated-Machine-Learning-Tool aus vier Modulen zur Modellbildung, -ausführung, -optimierung und zum Management der Modelle über ihren Lebenszyklus hinaus. Mit dem Modul zur Modellbildung können ML-Modelle zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugt werden. Eben jene Modelle kommen in der Molkerei zum Einsatz, um festzustellen, ob die Zentrifuge richtig gereinigt ist oder Qualitätsschwankungen vorliegen. In der Molkerei werden auf Basis der Antriebs- und Schwingungsdaten der Zentrifuge automatisch alternative ML-Modelle erzeugt, optimiert, validiert und gegeneinander verglichen. Das passendste Modell kann der Nutzer nach bestimmten Kriterien wie Modellgüte oder Ausführungszeit auswählen, exportieren und speichern oder in eine automatisch generierbare Ausführungsumgebung überführen. Die Ausführungsumgebung dient zum Betrieb der ML-Modelle in der Cloud oder in einer On-Premise-Anwendung. Sie ist plattformunabhängig und skaliert automatisch gemäß der Anzahl der auszuführenden Modelle. Ein weiterer Vorteil ist die verständliche Darstellung der Modellergebnisse durch die Ausführungsumgebung. „Dadurch kann der Nutzer intuitiv konkrete Handlungen, zum Beispiel zur Fehlervermeidung, umsetzen“, sagt Paiz Gatica.
Kontinuierliche Steigerung der Leistungsfähigkeit
Zudem kann der Nutzer neue Ereignisse oder Betriebssituationen einer Maschine mit wenigen Klicks hinzufügen. Denn das Modul zur Optimierung der ML-Modelle im Betrieb ermöglicht es, die Modelle kontinuierlich zu verbessern und damit die Leistungsfähigkeit der Modelle über ihren Lebenszyklus hinaus zu steigern. Die Verwaltung der Modelle über ihren Lebenszyklus erfolgt durch das vierte Modul. Hierbei hat der Nutzer Funktionen zur Versionierung, Wiederherstellung und zur Modellüberwachung zur Auswahl.
