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 Anwender die eigenen ML-Modelle Die ModelRuntime basiert auf Docker Containern in denen die wesentlichen Elemente zur Ausführung der ML-Modelle miteinander verbunden werden Definition der Maschinen Anbindung der Datenquellen auszuführende Modelle sowie Konfiguration der Modellausführung Die erstellten ML-Modelle werden importiert und der jeweiligen Maschine zugeordnet So können die Modellresultate in den weiteren betrieblichen Ablauf einfließen zum Beispiel zum Auslösen von Meldungen über den jeweiligen Maschinenzustand Verschiedene Informationsquellen Die Menge der zu analysierenden Daten nimmt kontinuierlich zu wobei diese aber nicht immer in der gleichen Konsistenz vorliegen Da die Daten normalerweise aus verschiedenen Informationsquellen stammen – seien es Sensordaten wie Temperatur oder Druck Motorgeschwindigkeiten oder Stromverläufe – können sie deutliche Unterschiede aufweisen in Bezug auf die zeitlichen Abstände in denen sie generiert werden Temperatur-Daten etwa werden langsam erfasst vielleicht nur einmal pro Stunde – im Gegensatz zur Druckmessung die kontinuierlich erfolgt und damit in kurzer Zeit viel mehr Daten generiert Dies hat zur Folge dass verschieden viele Daten pro Informationsquelle vorliegen und das Machine-Learning-Tool diese verschieden Datenquellen unterscheiden muss Das Industrial AutoML-Tool berücksichtigt dass die Daten in unterschiedlichen zeitlichen Abständen gelesen werden und gleicht diese Unterschiede aus ohne dass dafür ein externes Tool notwendig ist Die Software konsolidiert die Daten unabhängig davon ob sie – wie bei der Temperaturmessung – in großen Abständen oder – wie bei der Druckmessung – kontinuierlich vorliegen Die Modelle berücksichtigen Daten mit unterschiedlichen Abtastraten update rates und nutzen dieses Wissen zur Erstellung einzelner Modelle Für das Modelltraining sowie für die spätere Ausführung der Modelle sind verschiedene Abtastraten bei den Input-Daten kein Problem die Werte werden in Korrelation mit der Zykluszeit betrachtet Silke Lödige ist Referentin Fachpresse bei Weidmüller Interface Optimierter Datenbedarf Bei einer Auswertung der Daten in der Cloud ist es zum Beispiel relevant wie viele Daten in die Cloud übertragen werden denn jede Übertragung kostet Mit dem Industrial AutoML-Tool und der integrierten Zyklusbetrachtung lässt sich das Volumen optimieren Der Nutzer hat seine Cloud-Kosten insofern selbst in der Hand als er die Daten in die Cloud mit verschiedenen Abtastraten – den ‚update rates‘ – schicken kann Gleichzeitig kann er bestimmen wie oft die Modelle Ergebnisse erzeugen um auch hier eine Einsparung der Datenübertragung und Speicherung zu erzielen Beispielsweise wäre für den Fall der Temperatur-Betrachtung ein Modell zu wählen das auf niedrigen update rates beruht da ja bekannt ist dass sich die Temperaturwerte nur langsam ändern Dies reduziert die Cloud-Kosten ik Beim Industrial AutoML Tool werden die notwendigen Schritte zur Erstellung von Machine Learning-Modellen für verschiedenste ML-Algorithmen automatisiert durchlaufen Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung und -optimierung sps 2021 | Wir sind dabei computerautomation de sps kontron