Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
38 smart factory 2020 ● www computerautomation de Bild 3 Automationstechnik und Sensoren in der Chemieanlage liefern die InputGrößen Damit wird ein Neuronales Netz trainiert Nun lassen sich ein gewünschter Betriebszustand zum Beispiel Maximierung der Produktionsmenge und die dafür erforderlichen Einstellgrößen automatisch bestimmen Das Bild zeigt die OutputGrößen im nichtoptimierten Fall gemessene Werte versus dem optimierten Fall berechnete Werte Bild Ahorner Markus Ahorner ist Geschäftsführer von Ahorner & Innovators in Ratingen Jens Eickmeyer ist ML-Experte am Fraunhofer IOSB-INA in Lemgo Dr Oliver Niggemann ist Professor am Institut für Automatisierungstechnik an der Universität der Bundeswehr Hamburg Peter Seeberg ist Inhaber des Beratungsunternehmens Asimovero AI speziell die Optimierung von bestimmten Zielgrößen in Fabrikprozessen Menge Zeit Qualität und Kosten aber auch die Überwachung oder Vorschau von Prozessund Zustandsgrößen Anlagenverhalten Ausfälle oder Störungen Dazu werden Sensordaten aus dem Prozessleitsystem oder aus den dezentralen Steuerungen der Fabrik zu einem empirischen Anlagenmodell zusammengeführt Dies umfasst Zielgrößen wie etwa KPIs Störgrößen nicht beobachtbare Signale und regelbare oder kontrollierbare Größen Die Datenvorverarbeitung macht dabei heute in der Praxis immer noch bis zu 80 % der menschlichen Arbeit beim Erstellen des Datenmodells aus Das Vorgehen dabei ist wie folgt Das Neuronale Netz wird zunächst mit einem Teil historischer Daten trainiert Offline-Learning Das Modell bildet selbstständig eine Formel um die historischen OutputResultate aus gegebenen Input-Daten zu berechnen Anschließend wird mit einem weiteren Teil der historischen Daten überprüft wie gut das Neuronale Netz nun weitere Output-Ergebnisse aus bisher nicht bekannten Input-Daten selbstständig berechnen kann Auf diese Weise wird das Modell validiert und getestet Zum Schluss schließt man das Datenmodell an die Anlage an um den Algorithmus mit aktuellen Betriebsdaten selbstständig und kontinuierlich anzupassen Online-Learning In der OfflinePhase wird also mit historischen Daten gearbeitet in der OnlinePhase wird das Modell implementiert und damit an die tatsächliche Datenwelt angeschlossen Bild 3 zeigt beispielhaft die Prognose der Produktionsmenge einer chemischen Fabrik mittels eines neuronalen Netzes Vorteile Der Vorteil dieser Herangehensweise ist dass die bestehende Vielzahl der ML-Verfahren durch ein einzelnes Verfahren ersetzt wird Hierdurch gestaltet sich auch die Parametrisierung der Methoden einfacher für ein einzelnes Verfahren lassen sich analog zum AutoML-Ansatz durchaus anhand der Datencharakteristika und der Aufgabenstellung automatisch Parametereinstellungen auswählen Auch lassen sich generische Implementierungen auf Geräten zur Verfügung stellen sodass eine On-TheEdge-Umsetzung wahrscheinlicher wird Nachteile Nachteil dieses Ansatzes ist dass aktuell kein Verfahren für die verschiedenen Datentypen und die unterschiedlichen Aufgaben als generisch einsetzbar anerkannt ist Tiefe Neuronale Netze sind sicherlich der vielversprechendste Kandidat weisen aber bezüglich Anforderungen an die Datenmenge Belastbarkeit der Ergebnisse sowie der Einsetzbarkeit für zeitdynamische Systeme Nachteile auf Diesbezüglich sind noch diverse Forschungslücken zu schließen Zusammenfassend lässt sich festhalten Keiner der drei angerissenen Ansätze löst aktuell alle Herausforderungen im Kontext von ML für die Produktion So besteht momentan der gangbarste Weg darin auf die interaktive Datenanalyse zu setzen ohne dabei andere Ansätze aus den Augen zu verlieren Hierzu müssen die Firmen aber klären wie sie die dafür notwendige Anzahl an Data Scientists einstellen ausbilden und halten wollen Außerdem benötigt es ein Konzept wie diese Experten mit den Domänenexperten der Firma auf Dauer kooperieren können Gerade für KMUs gestaltet sich dies schwierig Auf der anderen Seite sind die beiden anderen Ansätze aktuell noch workinprogress sodass Firmen vor einer Kommerzialisierung eine Risikominimierung zum Beispiel in Form von Forschungsprojekten einplanen sollten Ein Wechsel zwischen den Ansätzen ist zwar grundsätzlich nicht ausgeschlossen zieht aber in der Regel Verzögerungen und Mehrkosten nach sich gh machine learning