Machine-Learning-Anwendungen
Die erfassten Daten effektiv auswerten
Eine Datenanalyse bildet die Basis sowohl für Nachhaltigkeitsstrategien als auch für die Erhaltung der Wettbewerbsfähigkeit. Zur Auswertung der vorliegenden Daten bietet sich MLnext an, um Machine-Learning-Modelle einfach und schnell zu erzeugen und einzusetzen – ganz ohne Programmierung.
Eine elektrifizierte, vernetzte und automatisierte Produktion erweist sich als fester Bestandteil der langfristigen Strategien in vielen Industriezweigen. Auch Phoenix Contact sieht sich in der Verantwortung, CO2-Emissionen deutlich zu reduzieren und so einen Beitrag für eine klimafreundliche Welt zu leisten. Ziel des Unternehmens ist die All Electric Society – eine Welt, die ihren Energiebedarf nur noch aus erneuerbaren Energien deckt und in der elektrischer Strom der zentrale Energieträger ist. Gleichzeitig müssen die Wettbewerbsfähigkeit und Produktivität der Industrien zwingend fortbestehen, damit sich auch in Zukunft Wachstum und unternehmerische Sicherheit erreichen lassen.
Zur möglichst einfachen und bedarfsgerechten Umsetzung der dafür nötigen digitalen Transformation hat Phoenix Contact das Konzept »Digital Factory now« entwickelt, das skalierbare Ready-to-use-Anwendungen für die sichere Sammlung und den Transport der Daten sowie die Datenverarbeitung und -nutzung umfasst. Besonderes Augenmerk gilt dabei der parallelen Realisierung von Nachhaltigkeit und Produktivitätssteigerungen. Dieses Ziel bedingt einen gesamtheitlichen Ansatz, sodass sich Ressourcen optimal einsetzen lassen und die Fertigung auf die Herausforderungen der nächsten Jahrzehnte vorbereitet ist.
Energiedaten bergen viel Wissen über die Gesamtanlage
Oft wird erklärt, dass Daten die neue Währung einer digitalisierten Welt sind. Doch was besagt diese Aussage für Bestandsanlagen? Verlieren sie ohne eine leistungsfähige Datenschnittstelle ihre Attraktivität, weil sich Datentransparenz lediglich durch tiefgreifende Umrüstmaßnahmen oder schlimmstenfalls eine Neuanschaffung umsetzen lässt?
Die Erfahrungen aus der eigenen digitalen Fabrik am Standort Bad Pyrmont belegen, dass nur rund drei Prozent der Daten erforderlich sind, um bereits einen Mehrwert für die Instandhaltung und die Optimierung der Produktion zu schaffen. Den kleinsten gemeinsamen Nenner an Informationen bildet häufig der Energieverbrauch, der schon viel Wissen über die Anlage enthält. Denn die Darstellung des Verbrauchs der einzelnen Medien im Zeitablauf gibt einen guten Einblick in die Anlageneffektivität. Aber wie werden die Daten vor allem in bestehenden Anlagen gesammelt?
Hierfür stellt Phoenix Contact mit Einzelprodukten ebenso wie mit ganzen Anwendungen ein flexibles Datenerfassungssystem bereit. Aufgrund einer dynamischen und modularen Architektur unterstützt das System den Einzug neuer Technologien in die Werkshallen. Die erfassten Daten fungieren anschließend als Repräsentation des Anlagenverhaltens.
Eine manuelle Analyse der Daten wäre zeitaufwendig und ließe sich schlecht für komplette Fertigungsprozesse skalieren. Als Alternative bietet sich die Erstellung eines Datenmodells an, das sich mittels künstlicher Intelligenz (KI) auswerten lässt. Durch das Trainieren auf Basis der Energiedaten kann Machine Learning (ML) hier zu einem besseren Anlagenverständnis führen. Dabei lernt das Modell aus den Vergangenheitsdaten, welche Merkmale für die Anlage charakteristisch sind, und verallgemeinert dieses Wissen dann. Als wichtig zeigt sich, dass das Modell im laufenden Betrieb angepasst und erweitert werden kann, sodass sich neue Varianten oder veränderte Verhältnisse – etwa in puncto Raumtemperatur – einbeziehen lassen.
Schnellere Umsetzungszyklen stehen im Vordergrund
Die Generierung von ML-Modellen birgt großes Potenzial für eine automatisierte Produktionsoptimierung, ist aber auch durch einige Hürden gekennzeichnet und setzt meist tiefes Fachwissen voraus. Vor diesem Hintergrund hat Phoenix Contact das Lösungsportfolio MLnext für die Erstellung und industrielle Nutzung von ML-Anwendungen entwickelt. Unabhängig vom individuellen Prozess- und Fachwissen soll jeder Nutzer MLnext einsetzen und von dem Konzept profitieren können.
Die einzelnen Komponenten werden bereits in der Elektronikfertigung von Phoenix Contact genutzt. Dort haben sie eine Produktivitätssteigerung von zehn Prozent ermöglicht. Das MLnext-Konzept fokussiert sich auf die beschleunigten Realisierungszyklen von ML-Ansätzen (Idea to cash). Als Grundlage dient die Open-Source-Programmierbibliothek MLnext Framework, die kontinuierlich neue Erkenntnisse aus der Forschung in die Zeitreihenanalyse einfließen lässt.
- Die erfassten Daten effektiv auswerten
- Software führt ML-Modelle aus
Lesen Sie mehr zum Thema
