Zurück zum Blog

Machine Learning im Maschinenbau

von Michael

September 30, 2020

Wie die Maschine von Maschinen lernt: Machine Learning im Maschinenbau

Egal ob “Smart Factory”, Industrie 4.0 oder Predictive Maintenance: In der Fachpresse sowie auf Branchenevents wird seit Jahren über die Vorteile von Machine Learning für die Industrie diskutiert. Fragt man dann konkret in den Unternehmen des Maschinen- und Anlagenbaus nach, begegnet einem dort vielfach Zurückhaltung und Berührungsangst. Klar, man wolle die Vorzüge von Künstlicher Intelligenz für sich nutzen und Maschinendaten würden ja eh am laufenden Band produziert. Doch so ganz genau wisse man nicht, wie und wo man anfangen muss. Das ganze Thema sei ja doch recht komplex, zeitaufwendig und schwierig umzusetzen. Kurzum: Der erste Schritt wird einfach nicht gemacht.

Grund genug also, das Thema “Machine Learning im Maschinenbau” einmal genauer zu beleuchten. Denn – und diese Erkenntnis wollen wir gleich vorwegnehmen – es ist nicht entscheidend, wie Ihr AI-Projekt am Ende aussieht. Viel wichtiger ist es, jetzt Vorbereitungen zu treffen, um für alle zukünftigen Eventualitäten gerüstet zu sein. Wie sich Unternehmen aus dem Anlagen- und Maschinenbau für den Einsatz von Künstlicher Intelligenz (KI) und Machine Learning fit machen und welche Voraussetzungen dafür erfüllt werden müssen, erklären wir in diesem Blogbeitrag.

Ein kurzer Exkurs: Was ist Machine Learning?

Die Themen KI und Machine Learning (ML) – übrigens Begriffe, die gerne simultan verwendet werden, obwohl Machine Learning genau genommen lediglich ein Bestandteil von Künstlicher Intelligenz ist – sind an sich keineswegs neu. Im Grunde geht es dabei immer um Algorithmen, also Rechenvorgänge, die eine Handlungsvorschrift zur Lösung eines Problems bilden. “Intelligent” wird das Ganze, wenn das künstliche System anfängt, Muster zu erkennen und aus den Trainingsdaten, auf die es angewendet wird, Rückschlüssen und Gesetzmäßigkeiten zieht. Hier spricht man dann von Machine Learning: Algorithmen, die aus Daten lernen, Erfahrungen sammeln und Vorhersagen treffen.

Wie funktioniert Machine Learning im Maschinenbau?

Aber wie genau läuft das Maschinenlernen nun ab? Im Grunde ist es ganz einfach: Ein ML-Algorithmus lernt Muster und Strukturen anhand von Trainingsdaten, indem man ihm beibringt, was “valide” und “nicht valide” ist. Die Art, wie das System lernt, wird durch das Modell-Training definiert. Im Fall des “Supervised Learnings” wird dafür ein Datensatz präpariert, der sowohl Input-Variablen (beispielsweise Sensordaten) als auch Output-Variablen (zum Beispiel historische Daten zu einem Maschinenstillstand) enthält. Angeleitet, beziehungsweise überwacht, lernt das System den Zusammenhang zwischen den beiden Variablen. Lernt das System unüberwacht (“Unsupervised Learning”), erhält es lediglich Input- und keine Output-Variablen. Das System lernt also keine Zusammenhänge, sondern wie die Sensordaten typischerweise auszusehen haben, um Abweichungen wie die erhöhte Temperatur einer Maschine zu erkennen. Bei der dritten Art, dem “Reinforced Learning”, wird das System mithilfe eines Belohnungssystems trainiert. Den Entscheidungen des Systems wird eine Punktzahl zugewiesen und es versucht durch die Optimierung der Entscheidung diese Punktzahl zu erhöhen.

All diese Systeme bringen Vor- und Nachteile mit sich und sind für verschiedene Einsatzszenarien mehr oder weniger geeignet. Die Wahl des richtigen Tools ist allerdings wesentlich wichtiger als die Art, wie das System lernt. Derartige Algorithmen selbst zu schreiben, ist ohnehin nicht mehr nötig. Der Markt bietet hier bereits eine Fülle von Lösungen – auch speziell für den Anlagen- und Maschinenbau – an. Viel wichtiger ist dagegen, die notwendigen Daten für den ML-Algorithmus zur Verfügung zu stellen.

Daten sind nicht gleich Daten

Klar sollte mittlerweile sein, dass das Thema Machine Learning einen hohen Datenaufwand bedingt. Um ML-Algorithmen zu trainieren, reicht es jedoch nicht, das System blindlings auf die vorhandenen Daten loszulassen. Vielmehr geht es darum, genügen Daten in der entsprechend notwendigen Qualität vorzuhalten. Konkret bedeutet das: es werden gefilterte Maschinendaten benötigt, keine reinen Prozessdaten. Außerdem spielt das Datenformat eine wichtige Rolle, denn wenn Maschinen unterschiedlichen Alters und Bautyps zum Einsatz kommen, können die Daten in ihrer Formatierung stark variieren. Hier gilt es Lösungen zu finden, die als Übersetzer und Gatekeeper der Daten fungieren und die richtigen Daten für das ML-Projekt in einer geeigneten Umgebung zusammenführt.

Die Rolle der Edge

Dabei kommt die Rolle der Edge zum Tragen, denn es empfiehlt sich nicht, Maschinen direkt mit den Systemen für das ML-Projekt zu verbinden. Stattdessen fungiert die Edge-Lösung als intelligente Plattform zwischen den Maschinen und dem ML-System. Ein weiterer entscheidender Vorteil: Sie lässt sich als zwischengeschalteter Gatekeeper verwenden. Warum ist das wichtig? Nun, den Überblick über alle Daten und Datenquellen zu behalten, ist nicht einfach. Gerade wenn die Form des künftigen AI-Projektes noch nicht ganz klar ist, ist es kaum abschätzbar, welche Daten wirklich nützlich sind. Mit einer Edge-Lösung können Sie jedoch Datenpunkte definieren und diese nach Bedarf zu- und abschalten, ohne wiederholt Einstellungen an der Maschine vornehmen zu müssen. Außerdem kommt ihr die Rolle als “Übersetzer” zu, denn moderne Edge Lösungen haben entsprechende Data Translation Tools an Bord und können verschiedene Maschinenprotokolle problemlos miteinander verbinden. Mit der richtigen Edge-Technologie verbinden Sie somit Ihre Maschinen innerhalb weniger Tage und können die essenzielle Erhebung und Aggregation von Daten starten.

Braucht man für Machine Learning Data Scientists?

Nun könnte man berechtigterweise Fragen: Daten, schön und gut. Aber wie wird nun ein Machine Learning-Projekt daraus? Und brauche ich dafür Data Scientists? Die Antwort lautet ganz klar: Jein. Eine solche Frage zu verallgemeinern wäre fahrlässig, denn es kommt stets auf den Umfang und die Komplexität des Projekts an. Erste Aufbereitungen und Analysen der gesammelten Daten sind problemlos auch ohne Datenspezialisten möglich. Mit dem Low Code Dataset Editor von Senseforce beispielsweise, lassen sich Daten filtern, gruppieren, sortieren und auch aggregieren – und das dank graphischer Operationen komplett ohne Programmierkenntnisse. Auch die Analyse der Daten, wie statistische Distributionen, konditionelle Elemente sowie Zeit- und Textoperationen, können mit Senseforce ohne eine Zeile geschriebenen Code erfolgen.

Kleine Projekte zum Training von Systemen, Regressionsmodelle bis hin zu ersten Versuchen im Deep-Learning, sind daher auch ohne Data Scientists möglich. Mit entsprechenden Machine Learning Tools, die Senseforce beispielsweise mit SF PROCESS anbietet, können Prozesse der klassischen Datenanalyse sowie im Bereich Data Science abstrahiert und in übersichtlichen User-Interfaces zur Verfügung gestellt werden.

Für komplexere Projekte, die entsprechende Domänen-Experten benötigen, bietet Senseforce GUI Based Machine Learning Workflows. Diese erlauben die Darstellung graphisch abstrahierter Workflows – von der Mustererkennung in Alarm- beziehungsweise Trigger-Daten bis hin zu Predictive Maintenance.

Fazit

Algorithmen, die aus Maschinendaten Erkenntnisse ziehen, werden künftig die Wertschöpfung im Maschinenbau vorantreiben. Denn die Systeme bieten Vorteile, sowohl für Maschinenbauer als auch für Betreiber – man denke etwa an die Unterstützung in der Maschinenbedienung durch ein Expertensystem, dass die Einarbeitungs- und Rüstzeiten verringert und den Schulungsaufwand reduziert. Damit Unternehmen davon profitieren können, gilt es, jetzt Vorkehrungen zu treffen und an ersten kleinen Projekten Erfahrungen zu sammeln. Mit der richtigen Vorbereitung sind erste Schritte schnell gemacht und Unternehmen sollten keine Zeit verlieren, denn die Konkurrenz schläft nicht.

Sie wollen mehr zu SF PROCESS und den Einsatzmöglichkeiten für Ihr Unternehmen erfahren? Dann vereinbaren Sie einfach einen Termin mit einem unserer Experten.