In liften en roltrappen worden continu gegevens geregistreerd. Bedrijven die erin slagen deze gegevens om te zetten in noviteiten, krijgen doorslaggevende concurrentievoordelen. Met gebruiker-vriendelijke software stelt Weidmüller nu kunstmatige intelligentiemethoden beschikbaar aan machinebouwers en productiebedrijven.
Voor de analyse van machine- en procesgegevens met Industrial Analytics worden ingewikkelde modellen gebruikt die in staat zijn afwijkingen te detecteren of zelfs het machinegedrag voor de toekomst te voorspellen. Kunstmatige intelligentie (AI)-methoden en machine learning (ML) worden gebruikt om voorheen onbekende relaties tussen meetwaarden te ontdekken met behulp van features die zijn afgeleid van onbewerkte data.
Gecombineerde knowhow vereist
De nodige informatie is in bijna elk bedrijf beschikbaar. Bij het ontwikkelen van zinvolle analysemethoden zijn vooral middelgrote bedrijven vaak nog afhankelijk van de externe ondersteuning van dataspecialisten. Weidmüller heeft een baanbrekende oplossing ontwikkeld die hen in staat stelt om te handelen zonder de noodzaak van hulp van dataspecialisten. In nauwe samenwerking met de eindgebruiker identificeren de dataexperts de correlaties in de meetwaarden en trainen ze het eerste model. Na een geslaagde toepassing wordt het eerste model herhaaldelijk gevoed met nieuwe gegevens en gedurende de gehele levenscyclus van de machine verder ontwikkeld. Dit verhoogt de kwaliteit van de informatie in de loop der tijd.
Machine Learning
Veel machinebouwers en productiebedrijven kunnen de beschikbare Machine Learning Tools nog niet zelfstandig gebruiken, omdat hun werking voor op data gebaseerde activiteiten van analysespecialisten is verbeterd. Bedrijven kunnen ofwel hun bestaande werknemers opleiden voor een enorme hoeveelheid geld, of zelf een dataspecialist inhuren. Dit resulteert in een belemmering en drempel die de verspreiding van kunstmatige intelligentie in de industrie op de moment vertraagt.
Een alternatief is het ontwikkelen van gebruiker-vriendelijke softwareoplossingen die zelfs gebruikers zonder enige statistische training kunnen begrijpen en analysemodellen kunnen genereren. Het bedrijfsonderdeel Industrial Analytics van Weidmüller heeft dit idee in praktijk gebracht met de software Automated Machine Learning. De naam van de toepassing impliceert dat de modellen grotendeels automatisch worden ontwikkeld.
"Soortgelijke toepassingen worden momenteel gebruikt op het gebied van fintech, bankieren en marketing. De bestaande oplossingen zijn echter niet geschikt voor machine- en installatietechniek, omdat zij de desbetreffende gegevenstypen uit de automatiseringsindustrie niet ondersteunen. Ze vereisen altijd een ideale database", legt Dr. Carlos Paiz Gatica uit, Product Manager bij de BU Industrial Analytics. "Bovendien bieden ze niet de mogelijkheid om de domeinkennis van de gebruiker te integreren, wat essentieel is voor industriële toepassingen."
Voor de automatische machine learning-software combineren Weidmüller’s analysespecialisten de data en informatie van de domeinexpert met algoritmes om zo automatisch geschikte modellen te genereren. De volgende stappen beschrijven het proces van de modelgeneratie met behulp van de detectie van afwijkingen als voorbeeld:
1. Selectie van opleidingsgegevens
De domeinexpert bepaalt welke datasets gebruikt moeten worden om het normale gedrag van een machine of fabriek te leren. Hiertoe wordt eerst een overzicht van de onbewerkte gegevens gegenereerd, dat de gebruiker ondersteunt bij het evalueren van de informatie-inhoud van de gegevens. De voorbereiding van de meetwaarden vindt volledig automatisch plaats.
2. Feature engineering
Als de onbewerkte gegevens niet toereikend zijn, kan op basis daarvan extra informatie worden gegenereerd. De gebruiker kan zijn domeinkennis gebruiken om nieuwe features te creëren. Deze kunnen bijvoorbeeld het verloop van temperatuursveranderingen beschrijven in plaats van alleen individuele statussen te tonen. Met behulp van dergelijke features kan de toestand van de machine vaak beter worden beoordeeld dan met de onbewerkte gegevens.
3 Kenmerkend gedrag van de machine
Met een etiket markeert de gebruiker gebieden in de gegevens waarin sprake is van normaal (groen) of ongewenst (rood) gedrag. Dit stelt de gebruiker in staat om de informatie-inhoud van de trainingsdata te verhogen met zijn domeinkennis. Hulpsystemen bieden ondersteuning bij het kenmerkende proces door soortgelijke situaties in de gegevensverzameling rechtstreeks onder de aandacht te brengen.
4. Modeltraining
De gekenmerkte datasets worden omgezet in modellen en getraind met verschillende ML-methoden. Dit volautomatische proces resulteert in een lijst van alternatieve modellen, die worden voorzien van informatie over de kwaliteit van het resultaat, de uitvoeringstijd en de opleidingsduur. De zogenaamde Anomaly Score Plot geeft de resultaten van de modellen direct weer, zodat de expert de prestaties van de modellen direct kan vergelijken. Als de maximale prestatie van het gewenste model nog niet is bereikt, kan de gebruiker de features en etiketten van het model opnieuw bewerken. Het model kan dan rechtstreeks worden overgebracht naar de architectuur van het doelsysteem.
AI-toepassingen uitbreiden
"Met de software voor automatische Machine Learning hebben machinebouwers en productiebedrijven de mogelijkheid om zelfstandig de voordelen van kunstmatige intelligentie en machinaal leren te benutten, zonder zelf data-experts te hoeven worden", zegt Paiz. De universele toepassing ondersteunt de gebruikers zowel bij de eerste modelgeneratie als bij de verdere ontwikkeling. Op deze manier zijn bedrijven niet langer afhankelijk van de bron van de kennis van data specialisten en hoeven hun proces en kennis van de machine niet te delen met externe partners."