A gépek és a gyártóberendezések folyamatosan adatokat generálnak. Azok a vállalatok, amelyek sikeresen váltják át ezeket az adatokat innovációkra, döntő versenyelőnyre tesznek szert. A felhasználóbarát szoftverrel a Weidmüller most olyan mesterséges intelligencia módszereket készít, amelyek gépgyártók és gyártócégek számára elérhetők.

A gép- és folyamatadatok ipari analitikával végzett elemzéséhez komplex modellek használatosak, amelyek képesek észlelni az anomáliákat, vagy akár megjósolni a gép későbbi viselkedését. Mesterséges intelligencia (MI) módszerek és géptanulás (ML) használatosak a mért értékek között eddig ismeretlen összefüggések felfedezéséhez a nyers adatokból származtatott jellemzők használatával.

Összevont know-how szükséges

A szükséges információk szinte minden vállalatnál elérhetők. Értelmes elemzési modellek fejlesztésekor különösen a középméretű cégek gyakran még függnek az adattudósok külső támogatásától. A Weidmüller egy olyan áttörő megoldást dolgozott ki, ami lehetővé teszi a számukra, hogy adattudós erőforrások szükségessége nélkül járjanak el. A végfelhasználóval szorosan együttműködve az adatszakértők azonosítják a fontos összefüggéseket a mért értékekben, és betanítják a kezdő modellt. Sikeres alkalmazás után a kezdő modellt ismételten új adatokkal táplálják, és továbbfejlesztik a gép teljes életciklusa alatt. Ez idővel növeli az információk minőségét.

A gépi tanulás elsajátítása

Számos gépgyártó és gyártócég még nem volt képes arra, hogy önállóan használja a rendelkezésre álló gépi tanulási eszközöket, mivel a működésük analitikai szakértők adatvezérelt tevékenységeihez lett optimalizálva. A cégek óriási pénzösszegekért tudják betanítani meglevő alkalmazottaikat, vagy adatkezelési szakértőt fogadnak fel. Ez olyan gátlási küszöböt eredményez, ami jelenleg lelassítja a mesterséges intelligencia terjedését az iparban.

A felhasználóbarát szoftvermegoldások kialakításának alternatívájaként még a statisztikai képzésben nem részesülő felhasználók is képesek analitikai modelleket megérteni és generálni. A Weidmüller ipari analitikai üzleti egysége automatizált gépi tanulási szoftverrel ültette a gyakorlatba ezt az elképzelést. Az alkalmazásnak már a neve is arra utal, hogy a modelleket nagymértékben automatikusan fejlesztették ki.

„Hasonló alkalmazásokat használnak jelenleg a pénzügyi technológia, banki tevékenység és marketing területein. A meglevő megoldások azonban nem alkalmasak gép- és berendezésgyártásra, mivel nem támogatják az automatizálási ipar fontos adattípusait. Mindig ideális adatbázist igényelnek,” - magyarázza Dr. Carlos Paiz Gatica, az ipari analitika üzleti egység termékigazgatója. „Emellett nem teszik lehetővé a felhasználó tárgyi ismereteinek beépítését, ami alapvetően fontos az ipari alkalmazásoknál.”

Az automatizált gépi tanulási szoftver esetében a Weidmüller analitikai szakértői a tárgyi szakértői adatokat és információkat algoritmusokkal kombinálják a megfelelő modellek automatikus generálásához. A következő munkalépések példaként anomália-észlelés használatával mutatják be a modellgenerálási folyamatot:

1. A képzési adatok kiválasztása

A szakértő eldönti, hogy mely adathalmazokat kell felhasználni a gép vagy berendezés normál viselkedésének megtanulásához. Ebből a célból először a nyers adatokról generálnak áttekintést, ami támogatja a felhasználót az adatok információtartalmának értékelésében. A mért értékek elkészítése teljesen automatikusan megy végbe.

2. Funkciótervezés

Ha nem elégségesek a nyers adatok, további információk generálhatók azok alapján. Az felhasználó saját tárgyi ismereteit tudja felhasználni az új funkciók létrehozásához. Ezek például leírhatják a hőmérsékletváltozás folyamatát ahelyett, hogy csak az egyes állapotokat mutatnák. Az ilyen funkciók használatával a gépállapot gyakran jobban mérhető fel, mint a nyers adatokkal.

3. A gép viselkedésének cimkézése

A felhasználó címkével jelöli meg azokat a területeket az adatokon belül, ahol normál (zöld) vagy nem kívánt (piros) viselkedés van jelen. Ez lehetővé teszi a felhasználó számára, hogy saját tárgyi ismereteivel növelje a képzési adatok információtartalmát. Segítő rendszerek támogatják a címkézési folyamatot azzal, hogy közvetlenül emelik ki a hasonló szituációkat az adathalmazban.

4. Modell képzés

A címkézett adathalmazokat modellekké alakítják át, és különböző ML módszerekkel tanítják. Ez a teljesen automatizált folyamat olyan alternatív modellek listáját eredményezi, amelyeket információkkal látnak el az eredmény minőségéről, a végrehajtási időről és a képzés időtartamáról. Az ún. Anomaly Score Plot közvetlenül ábrázolja a modellek eredményeit, így a szakértő közvetlenül tudja összehasonlítani a modellek teljesítményét. Ha a kívánt modellteljesítmény még nem érhető el, a felhasználó ismét szerkeszteni tudja a modell funkcióit és címkéit. A modellt ezt követően közvetlenül le lehet fordítani a célrendszer architektúrájának megfelelően.

MI alkalmazások kiterjesztése

„Automatizált gépi tanulási szoftverrel a gépgyártók és gyártócégek lehetőséget kapnak arra, hogy önállóan használják ki a mesterséges intelligencia és a gépi tanulás előnyeit anélkül, hogy saját maguknak is adatszakértőkké kellene válniuk,” - mondja Paiz. „Az univerzális alkalmazás a kezdeti modellgenerálás és a további fejlesztések terén egyaránt támogatja a felhasználókat. Ilyen módon a vállalatok már nem függnek az adattudósok erőforrásától, és nem kell saját folyamat- és gépismeretüket külső partnerekkel megosztaniuk.”