Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Da t a Sc i e n c e Die Nutzung der Weidmüller Industrial AutoML Software für die Auswertung von Daten hilft beispielsweise die Qualität von Produkten zu verbessern die Prozessabläufe zu optimieren oder den Zustand einer Maschine kontinuierlich zu überwachen perten Das heißt Die Analyse der Daten – die sonst vom einem Data Scientist eines externen Partners oder aus dem eigenen Unternehmen durchgeführt werden muss – liefert das Tool das ‚lediglich‘ mit dem Applikations-Knowhow des Experten gefüttert wird Mit anderen Worten Das Wissen über die Maschine und deren Anwendung fließt unmittelbar in die Modellbildung ein Diese Symbiose aus Fachexpertise zur Maschine und Data-Science-Knowhow vom Tool liefert schnell und einfach Ergebnisse – ohne umfangreiche Schulung oder Zukauf von weiterem Knowhow Bei dem Software-Tool werden die notwendigen Schritte zur Erstellung von ML-Modellen für verschiedenste ML-Algorithmen automatisiert durchlaufen Anschließend wird automatisch bestimmt welche ML-Modelle relevante Maschinenzustände oder Prozesskriterien am robustesten erkennen Die Navigation Für die einfache Ausarbeitung von ML-Modellen führt das Software-Tool den Anwender durch den Prozess der Modellentwicklung Die ML-Automatisierung betrifft dabei vor allem folgende Schritte Datenimport Datenanreicherung automatisierte Modell-Erstellung und Modell-Deployment Dafür besteht die Software aus dem ‚ModelBuilder‘ der für die Erstellung der Modelle zum Einsatz kommt und der ‚ModelRuntime‘ für das Deployment sowie die Nutzung der Modelle Die Software hilft dem Anwender also nicht nur bei der Vorbereitung der Trainingsdaten sondern übernimmt auch die Übersetzung und Archivierung seines komplexen Applikationswissens in eine verlässliche ML-Anwendung Dabei fokussiert sich der Experte auf sein Wissen zum Maschinenund Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden Machine Learning-Schritten So profitiert der Nutzer auch von den jeweils aktuellen Entwicklungen aus dem Machine Learning-Umfeld die kontinuierlich in das Tool einfließen Um die Nutzung der Tools für Anwender weiter zu vereinfachen wurde insbesondere die Navigation des ModelBuilders verbessert Diskrete Prozesse berücksichtigt Bisher wird in der Datenanalyse häufig außer Acht gelassen dass eine Maschine verschiedene Zyklen durchläuft Stattdessen werden diese zusammen als eine Datenbasis gesehen und gemeinsam analysiert Eine klare Trennung der einzelnen Zyklen ist jedoch wichtig um später im Betrieb beispielsweise präzise Aussagen über die Produktqualität treffen zu können Weidmüller hat die Software daher so weiterentwickelt dass auch diskrete Prozesse berücksichtigt werden In der Zeitreihen-Betrachtung wird ein Wert beziehungsweise eine einzelne Variable über einen bestimmten Zeitraum erfasst So können die einzelnen Zyklen gesondert analysiert werden Betrachtet wird das Verhalten der Maschine innerhalb eines Zyklus sodass sich beispielsweise Unterschiede der Sensorverläufe von Zyklus zu Zyklus besser erkennen lassen Damit ergibt sich eine deutliche Verbesserung gegenüber der bisherigen Vorgehensweise In der Anwendung der Modelle – der ModelRuntime – können nun Aussagen beispielsweise über die Qualität eines einzelnen Werkstücks getroffen werden ML-Modelle ausführen Die Ausführung der Modelle kann direkt an der Maschine ‚On-Prem‘ oder in der Cloud erfolgen In der AutoML Model-Runtime also der Laufzeitumgebung konfigurieren betreiben und bewerten sps 2021 | Wir sind dabei computerautomation de sps boersig