Machine-learning voor de machinebouw

Geplaatst op 17 december 2019 om 14:13 uur
Machine-learning voor de machinebouw
Eerder dit jaar presenteerde Weidmüller op de Hannover Messe een Automated Machine-Learning Tool voor machine- en installatiebouwers: zelf modellen maken en verder te ontwikkelen zonder de hulp van een datawetenschapper of een externe samenwerkingspartner.

Met de Auto-ML-Tool wordt kunstmatige intelligentie (Artificial Intelligence (AI)) toegankelijk worden gemaakt voor de massa. Het nieuwe machine-learning gereedschap legt zo de basis voor efficiëntere productieprocessen en nieuwe data-gedreven bedrijfsmodellen. In deze context is de beschikbaarheid van de machine of een daarmee gegarandeerd aantal produceerde onderdelen ‘de topper' en niet, zoals voorheen, een specifiek machinetype. Maximalisatie van de productietijden door middel van industriële analyses levert direct een meetbare meerwaarde op. En dat vertaalt zich in een ‘terugverdientijd' van een paar maanden.

 

Modellen ontwikkelen

Klassieke automatiserings- en werktuigbouwkundig experts worden momenteel overstelpt met software voor en toepassing van machine-learning. Maar in de regel beschikken ze niet over de kennis om de noodzakelijke modellen te ontwikkelen. Een taak die datawetenschappers daarom overnemen. Hun expertise is nodig om de methodiek achter kunstmatige intelligentie of machine-learning op de data toe te passen. Zij moeten de modellen ontwikkelen die bijvoorbeeld anomalieën kunnen opsporen en fouten kunnen voorspellen. Uiteraard werkt de dat wetenschapper tijdens de modelontwikkeling nauw samen met de machinebouwer of operator om de relaties die in de data gevonden worden op een ingenieuze manier te interpreteren.

 

Nieuwe aanpak

Weidmüller streeft met de Automated-Machine-Learning- software een volledig nieuwe aanpak na. De software begeleidt de gebruiker door het modelontwikkelingsproces. Dit vermindert de complexiteit en de gebruiker kan zich richten op zijn of haar kennis van het machine- en procesgedrag. De gebruiker kan zelfstandig het modelontwerp en de verdere ontwikkeling aansturen - zonder dat zelf datawetenschapper te zijn en zonder speciale kennis op het gebied van kunstmatige intelligentie.

 

De bestaande kennis over processen, machines en foutpatronen blijft dus binnen het bedrijf, omdat deze zelfstandig hun domeinkennis kunnen invoeren en koppelen aan de stappen in de modelontwikkeling. De software helpt bij het vertalen en opslaan van de complexe applicatiekennis in een betrouwbare machine-learning-applicatie. Tegelijkertijd levert de tool de softwarecomponenten die nodig zijn voor gebruik van kunstmatige intelligentie. Dit betekent dat de gebruiker geen speciale IT-kennis nodig heeft om de modellen te bedienen.

 

schemaVisualisering van de uwe data in tegelvorm. 

 

 

Unsupervised machine-learning

Om de domeinkennis van de machine- en procesexperts optimaal te integreren en tegelijkertijd de modellering te automatiseren, wordt zogenaamd unsupervised en supervised machine-learning slim aan elkaar gekoppeld. Ongewenst machinegedrag wordt met anomalie-detectiemethoden bereikt. Dat is unsupervised machine-learning. Een algoritme leert de typische datapatronen van normaal machinegedrag uit historische gegevens. Tijdens de looptijd kunnen afwijkingen van deze patronen worden vastgesteld. De geconstateerde anomalieën kunnen inefficiënte stappen zijn, kleine storingen of omvangrijker falen. Deze aanpak stelt het systeem in staat om zelfs volledig onbekende fouten te detecteren bij de eerste keer dat ze zich voordoen.

 

Supervised machine-learning

Om opvallend machinegedrag aan een specifieke (fout)klasse toe te kunnen schrijven worden classificatieprocedures gebruikt - supervised machine-learning. Om dit uit te kunnen voeren heeft het algoritme voldoende representatieve voorbeelden nodig om alle klassen in de historische gegevens te kunnen onderscheiden. De tijddomeinen van de voorbeelden moeten in de gegevens worden gemarkeerd. Als een bepaald incident zich dan opnieuw voordoet, wordt het door het systeem herkend en aan de hand van het typische datapatroon aan een klasse toegewezen. De algoritmes kunnen voortdurend worden verbeterd op basis van nieuwe gegevens en uitgebreid met nieuwe foutklasses. De bijbehorende informatie, zoals de foutklasse, wordt door de gebruiker ingegeven door middel van ‘tagging' voor de opstelling en doorontwikkeling van het model.

 

Direct meetbaar

De Auto- ML-Tool richt zich op de domeinexperts in de machine- en installatiebouw en de bijbehorende operators en maakt kunstmatige intelligentie en machine-learning eenvoudig toepasbaar. De industriële gebruiker heeft geen diepgaande kennis van AI of machine-learning nodig. Bovendien fungeert de softwaretool als assistent-datawetenschapper en begeleidt de gebruiker door het proces van modelontwikkeling voor anomalie-detectie, -classificatie en -voorspelling. De bestaande kennis over processen en machines blijft in het bedrijf en de toegevoegde waarde van de modellen en analyses is direct meetbaar.
 

Bron: Aandrijven en Besturen

 
© Engineersonline.nl