Beim Weidmüller Industrial Auto-ML-Tool werden die notwendigen Schritte zur Erstellung von Machine-Learning-Modellen für verschiedenste ML-Algorithmen automatisiert durchlaufen. (Bilder: Weidmüller)

Automated Machine Learning von Weidmüller:

Wenn der Algorithmus zweimal klingelt!

Seit einigen Jahren schon wird die Fantasie der Ingenieure und Anlagenbauer beflügelt durch die Möglichkeiten der Künstlichen Intelligenz (KI). Die Erhebung und Veredelung von Daten ermöglichen gesteigerte Effizienz und Produktivität. Möglich gemacht werden soll dies mittels Machine-Learning-Algorithmen. Was zunächst sehr nach deep-tech klingt, bietet konkrete Vorteile für die Smart Industry. Maschinen und Anlagen bzw. Produktionsprozesse erzeugen kontinuierlich Daten. Erfolgreich werden zukünftig Unternehmen sein, denen es gelingt, Mehrwert aus diesen Daten zu generieren. Ein Mehrwert erschließt sich vor allem im Bereich der Datenanalyse, so z.B. bei Predictive Maintenance. Vereinfacht ausgedrückt meldet die Maschine selbständig, wann voraussichtlich ein Ersatzteil benötigt wird. So können Maschinenbauer zukünftig neue datengetriebene Services anbieten und somit neue Geschäftsmodelle etablieren. Produzierende Unternehmen erhöhen ihre Produktqualität und reduzieren Kosten.

Methoden der künstlichen Intelligenz (KI) und insbesondere des Machine Learnings (ML) sind Werkzeuge, die zur Analyse der Maschinendaten eingesetzt werden. Diese erlauben es, bisher unerschlossene Daten zu verknüpfen und unbekannte Zusammenhänge zu identifizieren. Aber was steckt genau hinter Data Science? Was versteht man eigentlich unter »Automated Machine Learning«?

Das Konzept von Weidmüller ist der einfache Einsatz von KI mittels einer Automated Machine Learning Software für den Maschinen- und Anlagenbau. Dazu hat Weidmüller die Anwendung von ML für industrielle Applikationen soweit standardisiert und vereinfacht, dass Domänenexperten ohne Expertenwissen im Bereich Data Science eigenständig ML-Lösungen erzeugen können. Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung, weshalb Weidmüller hier auch von »Guided Analytics« spricht. Maschinen- und Prozessexperten können einfach, ohne die Hilfe von Data Scientists, ML-Modelle erstellen, modifizieren und zur Ausführung bringen, um Ausfallzeiten und Fehler zu reduzieren, Wartungsarbeiten zu optimieren und die Produktqualität zu erhöhen. Die Software hilft bei der Übersetzung und Archivierung des komplexen Applikationswissens in eine verlässliche Machine-Learning-Anwendung. Dabei fokussiert sich der Experte auf sein Wissen über Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden ML-Schritten.

Machine Learning einfach anwenden ohne Expertenwissen im Bereich Data Science – automatische Modellbildung.

Automated Machine Learning kann in vielen Bereichen Anwendung finden, von der Erkennung von Anomalien, deren Klassifizierung bis zur Vorhersage. Um jedoch Anomalien zu erkennen und daraus Vorhersagen zu treffen, z.B. für das Predictive Maintenance, müssen die Daten erfasst und in Beziehung zueinander gesetzt werden. Prozessrelevante Daten von Maschinen oder Anlagen liegen in der Regel in ausreichendem Umfang vor. Um aus diesen Daten Mehrwert zu extrahieren, werden sie mit Hilfe von Machine-Learning-Methoden analysiert und entsprechende Modelle entwickelt.

Einfach durch die Software geführt

Für den Anwender stellt die Software im Wesentlichen zwei Module zur Verfügung. Mit dem Model Builder kann der Domänenexperte ML-Lösungen zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugen. Entscheidend hierbei ist das Wissen der Applikationsexperten, denn sie haben die Erfahrung, wie das reguläre oder das anormale Verhalten ihrer Maschinen und Anlagen aussieht. Die Experten erkennen direkt in der übersichtlichen Darstellung der Daten Abweichungen vom »normalen« Verhalten, können diese detektieren und klassifizieren und so für die Modellbildung definieren.

Der mit dem Applikationswissen angereicherte Datensatz ist die Eingangsgröße für das anschließende automatische Generieren der ML-Modelle. Dabei entstehen ML-Lösungen, die mit den von Data Scientists manuell erstellten Lösungen durchaus vergleichbar sind. Dem Anwender werden mehrere Modelle vorgeschlagen, die auf unterschiedlichen Algorithmen und Werteparametern beruhen. Am Ende des Modellbildungsprozesses wählt der Nutzer das für seine Applikation am besten geeignete Modell nach bestimmten Kriterien wie Modellgüte, Ausführungszeit oder seinen bevorzugten Parametern aus. Das ausgewählte Modell kann exportiert und in die Ausführungsumgebung überführt werden. Im zweiten Modul der AutoML Software erfolgt schließlich die Ausführung der Modelle an der Maschine – on premise oder Cloud-basiert – in der sogenannten Laufzeitumgebung.

Entscheidende Mehrwerte

Die Möglichkeiten des Machine Learnings werden mit dem immer breiter werdenden Spektrum größer. Das macht es nicht unbedingt einfacher, ohne spezifische Data-Science-Kenntnisse, die bestmögliche Erstellung und Implementierung sowie die operative Anwendung von ML zu erreichen. Mit anderen Worten: Die Erstellung von ML-Modellen ist in der Regel zeitaufwändig und kostenintensiv in der Umsetzung. In der klassischen Herangehensweise zur Einführung von ML werden verschiedene technische Machbarkeitsstudien, sogenannte Proof-of-Concepts (PoCs), durchlaufen, um passende ML Use Cases zu finden. Darin werden die mit ML erzielbaren Ergebnisse von Maschinenexperten validiert und deren Wirtschaftlichkeit überprüft. Durch die ML-Automatisierung mit dem Weidmüller Industrial Auto-ML-Tool ergibt sich eine hohe Zeitersparnis für die Erstellung und den Vergleich von Modellen und Ergebnissen, die time-to-market wird verkürzt. Die Aufgaben können deutlich rationeller umgesetzt werden, was wiederum wertvolle Ressourcen spart. Gleichzeitig profitiert der Nutzer auch von den jeweils aktuellsten Entwicklungen aus dem Machine Learning Umfeld, die kontinuierlich in das Tool einfließen. Vor allem aber bietet das Tool einen entscheidenden Vorteil: Die Analyse der Daten, die in der Regel vom einem Data Scientist eines externen Partners oder aus dem eigenen Unternehmen durchgeführt werden muss, liefert das Tool – und wird »lediglich« gefüttert mit dem Applikationsknowhow des Experten. Mit anderen Worten: das Knowhow über die Maschine und deren Anwendung fließt unmittelbar in die Modellbildung ein. Die Symbiose aus Fachexpertise zur Maschine und Data Science Knowhow – was das Tool mitbringt – liefert so schnell und einfach Ergebnisse. Ohne umfangreiche Schulung. Ohne Zukauf von weiterem Knowhow. Bereits in einer Stunde lässt sich ein Modell aufsetzen, das dann automatisiert Anomalien erkennt. Einfacher geht es kaum.

Einfacher Betrieb und kontinuierliche Optimierung der Modelle – das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung und -optimierung.

Lösungen für ausgewählte Applikationen

Gibt es nun wirklich diese eine Lösung, die auf alle Anwendungen passt und automatisiert die gewünschten Ergebnisse liefert? Sicher nicht, hier ist eine differenziertere Sichtweise nötig.

Wenngleich jeweils mit zeitreihenbasierten Daten und gängigen ML-Algorithmen gearbeitet wird, so liegt der Schlüssel zum Erfolg im gezielten Zuschnitt der ML-Automatisierung durch die sukzessive Verkleinerung des Suchraumes.  Je breiter der Anwendungsbereich sein soll, desto allgemeiner müssen die ML-Pipelines ausgestaltet sein. Hier gilt es den Spagat zu schaffen, möglichst viele Anwendungen erfassen zu können, aber spezifisch genug zu sein mit Blick auf die Erreichung ausreichender Modellgüte – und das bei immer noch endlichen Rechenressourcen.

Es ist offensichtlich, dass die Überwachung eines Kühlsystems basierend auf Steuerungsdaten eine andere Herangehensweise benötigt als die Überwachung eines Lagers mit Hilfe von Schwingungsdaten. Die besten Ergebnisse werden erreicht, wenn die ML-Automatisierungen auf einen möglichst spezifischen Prozess zugeschnitten werden kann, ohne zu kleinteilig zu werden.

Werden also beispielsweise spezifische ML-Lösungen für die in der Intralogistik üblichen Regalbediengeräte aufgebaut, so können hier – bei entsprechender Datenlage – sehr gute Ergebnisse erzielt werden. Auch für Cluster wie Pumpen/Kompressoren/Gebläse sind die Vorteile von spezifischen ML-Lösungen offenkundig. Der Nutzen der automatisierten Erstellung von ML-Lösungen kommt hier voll zum Tragen, von der Vermeidung möglicher individueller Fehler in der manuellen Herangehensweise bis zum erzielten Zeitgewinn.

Es zeigt sich, dass gerade solche applikationsspezifischen Lösungen sehr gute Ergebnisse liefern, insbesondere wenn Best-Practice-Erfahrungen mit einfließen.

Darüber hinaus kann der Anwender die Ergebnisse aus dem Algorithmus sehr gut nachvollziehen. Es ist eben keine Black Box, die scheinbar willkürliche Ergebnisse ausspuckt.  Durch die einfache Nachvollziehbarkeit besteht die Möglichkeit für den Anwender, die Modelle und damit die Ergebnisse über die Zeit durch seinen Input weiter zu optimieren, beispielsweise durch eine Verfeinerung des Feature Engineerings oder das Hinzufügen neuer Annotationen, die besonders relevante Zeitbereiche in den Sensordaten darstellen und für künftiges Modelltraining gezielt verfügbar machen.

Am Ende des Modellbildungsprozesses wählt der Nutzer das für seine Applikation am besten geeignete Modell nach bestimmten Kriterien aus.

Das Industrial Auto-ML-Tool ist Teil des umfassenden zukunftsorientierten und aufeinander abgestimmten IoT-fähigen Portfolios von Weidmüller. Hiermit gelingt der einfache Weg ins Industrial IoT – „from data to value“, sowohl für Greenfield- als auch für Brownfield-Applikationen.

Die Lösungen aus den Bereichen Datenerfassung, -vorverarbeitung und -kommunikation bilden dabei die Infrastruktur, um darauf aufbauend die logische Verknüpfung und Auswertung der gesammelten Informationen – die Datenanalyse – aufzusetzen.

Eins ist dabei klar: Digitalisierung ist kein Selbstzweck. Die Mehrwerte erschließen sich im konkreten Anwendungsfall: Ob es um die Sicherstellung der Verfügbarkeit mit Condition Monitoring geht oder die Planbarkeit von Servicetechnikereinsätzen über Remote Maintenance. Nicht zuletzt durch den Einsatz künstlicher Intelligenz neue Geschäftsmodelle entwickeln ohne selbst Data Scientist zu sein – Weidmüller gestaltet gemeinsam mit und für den Anwender die digitale Transformation: einfach und effizient.

Deep Dive Extract: was passiert im Hintergrund – Fachwissen aktuell

Beim Automated Machine Learning werden die notwendigen Schritte zur Erstellung von Machine-Learning-Modellen für verschiedenste ML-Algorithmen automatisiert durchlaufen. Anschließend wird automatisch bestimmt, welcher Algorithmus (ML-Modell) relevante Maschinenzustände oder Prozesskriterien am robustesten erkennt. Die ML-Automatisierung betrifft dabei vor allem folgende Schritte:

  • Die Datenvorverarbeitung, um die Daten in eine für ein ML-Modell verdauliche Form zu konvertieren. Dabei wird für jede eingehende Datenspur automatisch das dem Datentyp (numerisch oder kategoriale Zeitreihe) entsprechende Bereinigungsverfahren ausgeführt und werden die für das Model relevantesten Zeitbereiche aus dem Datenpool gefiltert.
  • Das Feature Engineering, bei dem aus den vorbereiteten Daten durch mathematische Transformationen besonders informative Eingangsdaten, sog. Feature, für das ML-Modell berechnet und selektiert werden. So ist für viele Analytics Use Cases nicht der absolut Wert eines Sensors relevant, z.B. die Temperatur oder die Motordrehzahl, sondern wie schnell sich die Sensormesswerte über die Zeit verändern. In einem Folgeschritt werden mit Hilfe von statistischen Methoden aus dem Pool an automatisch erzeugen Features diejenigen herausgefiltert, die mit ihrem Informationsgehalt dem ML-Modell am wahrscheinlichsten helfen, eine richtige Entscheidung zu fällen. Dies hilft entscheidend, den riesigen Suchraum für das anschließende Optimierungsproblem, das Training des ML-Modells, zu begrenzen, und mit den zur Verfügung stehenden Rechenressourcen in einer möglichst kurzen Rechenzeit lösbar zu machen.
  • Die Modellvorselektion, bei der aus einem Pool an verfügbaren ML-Algorithmen diejenigen ausgewählt werden, die bei industriellen Zeitreihen in der Regel gute Ergebnisse liefern. Dies kann für den jeweiligen Analytics Use Cases (Anomalieerkennung, Fehlerklassifikation, Fehlervorhersage, Überprüfung der Prozessqualität) und die Charakteristika der Eingangsdaten sehr unterschiedlich ausfallen.
  • Das Modelltraining und die Optimierung, bei dem das ML-Modell iterativ mittels verschiedenster Optimierungsalgorithmen die statistischen Eigenschaften des Trainingsdatensatzes erlernt und diese mit einem weiteren Testdatensatz überprüft werden. Zur weiteren Verbesserung der Modelle werden zusätzlich sogenannte Hyperparameter automatisiert an den Datensatz angepasst. Die Hyperparameter bestimmen die Architektur und das Verhalten des ML-Modells. Die Modelle werden so zu Spezialisten für den bestimmten Datentyp und den zu lösenden Analytics Use Case.
  • Die Modellinterpretierbarkeit ist heutzutage ein weiterer wichtiger Schritt in der ML-Automatisierung. Dabei wird für die besten Modelle berechnet, welches Eingangs-Feature, also welche Maschinensensorik, die Modellantwort am meisten beeinflusst hat. Dies hilft dem menschlichen Anwender zu evaluieren, ob die Modelle das Richtige gelernt haben, und gibt zusätzliche Einblicke, welche Messdaten relevant bzw. wertvoll sind und archiviert werden sollten und welche Daten keinen Mehrwert liefern und nicht gespeichert werden müssen. Dies hilft Kosten für Datentransport und Vorhaltung zu optimieren.
  • Das Modelldeployment, bei dem das Modell, welches von speziellen ML-Code-Bibliotheken abhängig ist, in eine gekapselte Form gebracht wird, um es vielseitig z.B. direkt an der Maschine ausführbar zu machen. Dadurch können die Modelle dann mit wenigen Klicks zur Anwendung gebracht werden.

www.weidmueller.at

ähnliche Beiträge

Kommentar verfassen