Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
36 smart factory 2020 ● www computerautomation de machine learning Bild Fraunhofer IOSB-INA Bild 2 Darstellung des Einsatzes eines Schrittfolgeautomaten zur Identifikation von zeitlichen Varianzen in der Produktionsfolge Tiefe Analysen der Zustandsübergänge liefern wichtige Hinweise zur Begründung der Varianzen Bild 1 Gruppierung bisheriger ML-Ansätze für die Produktion in drei Klassen anhand der Lösungsdimensionen Autonomität der Lösung und Berechnungsort das heißt in the cloud oder on the Edge und Anwendung der Verfahren erfolgt anhand von Eigenschaften der Daten wie Zeitdynamik Abhängigkeiten und Rauschen Der Abgleich mit Domänenwissen dagegen verlangt einen starken interdisziplinären Dialog in der Firma Solch eine Analyse dauert daher meist mehrere Tage bis Wochen Diese Methode dürfte in den meisten Fällen der Normalzustand sein Das heißt es entspricht dem Vorgehen welches Data Scientists erlernen und viele IT-Firmen aus dem Bereich in der Vergangenheit erfolgreich angewendet haben Da bei dieser Methode der Mensch die langsamste Komponente ist kommen hier für die Analyse zumeist Serversysteme oder gute PC-Plattformen zum Einsatz Die Daten können problemlos in der Cloud oder in Datenbanksystemen liegen Ein Beispiel für diesen Ansatz Zusammen mit Miele hat der Fraunhofer Institutsteil für industrielle Automation am Fraunhofer IOSB eine interaktive Datenanalyse durchgeführt Ziel hierbei war die Untersuchung der Taktzeit einer Spülmaschinenproduktion am Standort Bielefeld Die Prozessexperten von Miele stellten dabei die Daten zur Verfügung welche der Datenanalyst des Fraunhofer-Institutes anschließend manuell aufbereitete Im Zuge dieser Aufbereitung wurden hybride Automaten als Methodik genutzt um in einem ersten Schritt das typische Verhalten der Anlage in Bezug auf die Taktzeit abzubilden Nach einer grafischen Aufbereitung dieser Daten trafen sich dann sowohl die Prozessexperten als auch die Datenanalysten zu einer Bewertung Es wurden Zeiten identifiziert in denen die Maschine außerhalb des Erwartungswertes operierte Bild 2 zeigt den vereinfachten Schrittfolgeautomaten Mittels dieses Automaten wurden die Zustandsfolgen gefunden bei deren Transition die größten Varianzen der Produktionszeit auftraten Anschließend erfolgte ein Abgleich dieser Varianzen der Produktionszeit mit Ausfällen und anderen produktionsbedingten Verzögerungen Schließlich verblieben nur unerklärte ZykluszeitAbweichungen die sich weitergehend untersuchen ließen Dafür wurden Dimensionsreduktionsverfahren grafische Analysen und Methoden zu Ausreißer-Erkennung kombiniert und die Ergebnisse dann mit den Experten besprochen Am Ende dieses Prozesses stellten die Prozessexperten auf Basis der Datenanalyse Hypothesen für die Abweichungen der beobachteten Zyklen auf und leiteten daraus entsprechende Handlungen ab Vorteile Vorteil der interaktiven Datenanalyse ist vor allem dass dieses Vorgehen seit langem etabliert und bewährt ist Menschliche Experten können gut anhand der Datencharakteristika Verfahren und Parameter auswählen Auch sind sie in der Lage die Ergebnisse zu interpretieren und ihren Auftraggebern in deren Sprache zu kommunizieren Auch die Werkzeuge sind zumeist auf dieses Vorgehen zugeschnitten Ein weiterer Vorteil ist es dass für die Analyse Standardsoftware verwendbar ist Nachteile Nachteil bei diesem Vorgehen ist dass der Experte nicht nur ein tiefes Verständnis der Analysemethoden braucht sondern auch über Domänenwissen verfügen muss In der Praxis scheitert dies Vorgehen zumeist an der Verfügbarkeit von Experten gerade KMUs sind nicht in der Lage diese am Arbeitsmarkt einzustellen Ein weiterer Nachteil ist die dafür notwendige Zeit wodurch diese Methode für zeitkritische Fragen wenig sinnvoll erscheint Methode 2 AutoML Die Komplexität der ML-Pipeline von Datenerfassung über die Wahl und Erstellung geeigneter Features und Modelle Hyperparameter-Optimierung und Analyse der erzielten Ergebnisse bis hin zur Modellüberwachung ist von einem Nicht-ML-Experten nur schwer zu bewältigen Ein möglicher Ansatz ist AutoML das heißt eine Unterstützung bei der Methodenauswahl und Methodenparametrisierung durch Software Zumeist analysieren AutoMLWerkzeuge dafür die Daten um die Methodenkonfiguration zu automatisieren Des Weiteren werden oft verschiedene Methoden und Parameter probiert und die besten Ergebnisse übernommen Auf diesem Gebiet arbeitet zum Beispiel die Arbeitsgruppe Maschinelles Lernen des Institutes für Informatik der Albert-Ludwigs-Universität Freiburg Das spezielle Thema der Freiburger Wissenschaftler ist die automatisierte Hyperparameter-Optimierung Dabei übernimmt und automatisiert AutoML die oft lang-Bild Niggemann