Machine-Learning-Anwendungen
Die erfassten Daten effektiv auswerten
Fortsetzung des Artikels von Teil 1
Software führt ML-Modelle aus
MLnext Execution stellt einen weiteren Bestandteil des Portfolios dar. Hierbei handelt es sich um eine plattformunabhängige Software zur Ausführung von ML-Modellen. Sie ist in der Steuerungsebene, einem IT-System oder einer Cloud verwendbar. Der Datenfluss lässt sich auf Basis einer Konfigurationsdatei zur Laufzeit adaptieren. Eine Web-Oberfläche gibt einen Überblick zu allen Modellen und deren Ausführungszeiten. Neue Anwendungen kann der User direkt auf der gleichen Plattform entwickeln, ohne die anderen Prozesse oder Maschinen zu beeinflussen. Anpassungen sind flexibel durch die Anwender selbst, ihre Partner oder die Mitarbeiter von Phoenix Contact möglich.
Add-on optimiert die Modelle
Nachdem die Ausführung sichergestellt ist, bedarf es der Erzeugung der ML-Modelle. Hierfür steht MLnext Creation bereit. Mit dem Tool werden Modelle generiert – und zwar ohne Programmierung rein auf der Grundlage von Konfigurationsdateien. User müssen also keine Hochsprachenkenntnisse haben. Eine automatische Programmierung mit standardisiertem Reporting vereinfacht den Modellvergleich dabei erheblich. Auf Basis der Berichte lässt sich die Konfigurationsdatei nun adaptieren. Darüber hinaus ermöglicht das Add-on »Automate« einen vollständig automatischen Einsatz, völlig unabhängig vom jeweiligen Know-how über Datenwissenschaften. Automate führt die Optimierung der Modelle selbstständig durch und verkürzt so die Suchzeit um den Faktor 5 im Vergleich zur manuellen Suche.
Komponentenzustände werden schneller erfasst
Mit der Software MLnext lassen sich Prozesse folglich eigenständig oder durch Partnerunternehmen verbessern. Die Automatisierung vieler Arbeitsschritte resultiert in einer effektiveren und schnelleren Initiierung der Abläufe. In der Elektronikfertigung von Phoenix Contact erweist sich die Software als Türöffner für den maschinennahen Einsatz von KI. Mit MLnext lassen sich Komponentenzustände einfacher erfassen, was in Kombination mit einer anschließenden Datenanalyse eine zustandsorientierte Instandhaltung (Predictive Maintenance) ermöglicht. Die Arbeit erfolgt somit ressourcenschonender und effizienter. MLnext wird bereits in verschiedenen Applikationen genutzt, etwa zur Leckage-Erkennung oder CO2-Optimierung.
Es bleibt also festzustellen, dass schon eine geringe Datenbasis eine spürbare Produktivitätssteigerung nach sich zieht, wenn die erhobenen Daten wirkungsvoll ausgewertet werden. Eine automatisierte Suche nach Verbesserungsmöglichkeiten führt zu einer höheren Wettbewerbsfähigkeit bei zugleich größerer Nachhaltigkeit. Die Software MLnext mit den Bestandteilen Framework, Execution und Creation unterstützt bei der Realisierung dieser Ziele. Die Anwender können außerdem auf individuelle Trainings und Dienstleistungen zu MLnext zurückgreifen, die die Umsetzung von Projekten weiter vereinfachen.
Der Autor:
Tom Hammerbacher ist Solution Engineer im Vertical Market Management Factory Automation bei Phoenix Contact Electronics.
MLnext
Die Fakten auf einen Blick
• Eine Datenanalyse hilft dabei, ressourcenschonende Optimierungen zu identifizieren und umzusetzen.
• Machine Learning ermöglicht eine automatisierte Datenauswertung, die skalierbar und wertschöpfend ist.
• Bei MLnext handelt es sich um ein Produktportfolio rund um den Einsatz von Machine Learning in der Produktion.
• Anwendungen mit MLnext schaffen eine effiziente und einfache Ready-to-use-Plattform für künstliche Intelligenz.
• Applikationsbeispiele sind die Anomalieerkennung, zustandsorientierte Instandhaltungsmaßnahmen sowie die Überwachung von Komponenten und Versorgungssystemen.
Mit einer Datenanalyse lassen sich Nachhaltigkeit und Wettbewerbsfähigkeit zugleich realisieren. Für die Analyse bietet sich MLnext an, um Machine-Learning-Modelle schnell und problemlos zu erzeugen und einzusetzen – ganz ohne Programmierung.
- Die erfassten Daten effektiv auswerten
- Software führt ML-Modelle aus
Lesen Sie mehr zum Thema
