Industrial-Analytics-Lösungen für Predictive Maintenance sind in aller Munde. Um Werte aus den Maschinendaten zu extrahieren, werden diese Daten mit Hilfe von Machine Learning analysiert und entsprechende Modelle entwickelt“, erläutert Tobias Gaukstern, Leiter der Business Unit Industrial Analytics bei Weidmüller. Allerdings: Solche Machine-Learning-Modelle werden heute in der Regel von Data Scientists kreiert. „Ihr Expertenwissen im Bereich Künstlicher Intelligenz und Machine Learning, Statistik und Mathematik ist notwendig, um performante ML-Modelle zu erstellen“, so Gaukstern.
Zwar gibt es erste Software-Werkezeuge, um Teile des Modellbildungsprozesses zu automatisieren und den Data Scientists einen erheblichen Teil ihrer Arbeit abzunehmen. Beispiele solcher Machine Learning Werkzeuge werden unter anderem von Rapidminer, Kinme, Datarobot, Presenso, Microsoft oder IBM angeboten. Gaukstern: „Diese Automated Machine Learning Tools beschleunigen zwar die Entwicklung von Machine-Learning-Modellen erheblich. Zur Anwendung ist allerdings tiefgreifendes Wissen im Bereich Data Science notwendig. Darüber hinaus muss der Data Scientist immer noch mit Applikationsexperten sprechen, um die gefundenen Zusammenhänge in den Daten bezüglich des Maschinenverhaltens oder des Produktionsprozesses zu interpretieren.“
Auto-ML-Tool besteht vier Modulen
Weidmüller hat daher einen völlig neuen Ansatz gewählt, um eine Automated-Machine-Learning-Software für den Maschinenbau zu realisieren. „Die Domänenexperten werden damit befähigt auf Basis ihres Applikationswissens eigenständig Machine-Learning-Modelle zu erzeugen.“ Das Auto-ML-Tool besteht dazu aus vier Modulen: :
- Mit dem Modul zur Modellbildung können Machine-Learning-Modelle zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugt werden. Dabei wird der Nutzer durch den Modelbildungsprozess geführt, so dass er gezielt sein Applikationswissen einbringen kann. Auf Basis dieses Wissens werden automatisch Machine-Learning-Modelle erzeugt, optimiert, validiert und vergleichen. „Am Ende des Modellbildungsprozesses kann der Nutzer das für seine Applikation am besten passende Modell auswählen, exportieren und speichern oder in die automatisch generierbare Ausführungsumgebung überführen.“
- Die Ausführungsumgebung dient zum Betrieb der Machine-Learning-Modelle in der Cloud oder in einer on Premise-Anwendung. Sie ist plattformunabhängig und skaliert automatisch gemäß der Anzahl der auszuführenden Modelle. Darüber hinaus stellt die Ausführungsumgebung die Modellergebnisse verständlich dar, so dass der Nutzer konkrete Handlungen zum Beispiel zur Fehlervermeidung umsetzten kann.
- Das Modul zur Optimierung der Machine-Learning-Modelle ermöglicht es, die Modelle kontinuierlich zu verbessern. Neue Betriebssituationen einer Maschine oder neue Ereignisse können den Modellen mit wenigen Klicks hinzugefügt werden.
- Mit dem vierten Modul werden die ML-Modelle über ihren Lebenszyklus verwaltet. Enthalten sind unter anderem Funktionen zur Versionierung, Wiederherstellung, Modellüberwachung, etc.
Erstes Modell in 20 Minuten fertig
„Das Automated-Machine Learning Tool von Weidmüller ist der erste Software-Service, der Domänenexperten in die Lage versetzt, eigenständig ML-Modelle zu erzeugen – ohne selbst Data Scientist zu sein und ohne spezielles Wissen im Bereich KI und ML zu haben“, betont Gaukstern. Dabei kann ein erstes Modell bereits in 20 Minuten generiert werden, wobei die erzeugten Modelle bestens passen. „In ersten Pilotprojekten ist nachgewiesen, dass das Einbringen des Applikationswissens die Modellgüte signifikant erhöht. Das Auto-ML-Tool generiert sogar Machine-Learning-Modelle, die dem von einem Data Scientist kreierten Modell überlegen sind. Möglich ist dies durch die geschickte Kombination des Auto-ML-Ansatzes mit dem Domänenwissen.“
Weidmüller Interface GmbH & Co. KG
Klingenbergstraße 26
D-32758 Detmold
+49 5231 14–0
Hier finden Sie mehr über:
