Daten: eine Wissenschaft für sich

Mit Domänenwissen und Künstlicher Intelligenz zum Erfolg

Daten: eine Wissenschaft für sich

Daten: eine Wissenschaft für sich

In Maschinen und Anlagen erfasst eine Vielzahl von Sensoren Daten, die – richtig ausgewertet – Fertigungsabläufe verbessern und hochwertige Erzeugnisse garantieren können. Die dafür benötigten Modelle entwickelt der Geschäftsbereich Industrial Analytics in enger Zusammenarbeit mit Kunden, wobei diese selbst Hand an die Daten und Modellentwicklung anlegen können.

Aus Maschinen- und Anlagendaten lassen sich unterschiedliche Datenreihen, sogenannte Features, gewinnen, die anhand von Künstlicher Intelligenz (KI) automatisiert ausgewertet werden können. Dazu gehören beispielsweise Temperatur, Druck, Energieverbrauch oder Vibrationen. Erfahrungen aus bisherigen Projekten zeigen, dass alle wichtigen Daten in der Regel bereits von den Maschinen und Anlagen erfasst werden. Zusätzliche Sensoren sind meist nicht notwendig. Die eigentliche Herausforderung liegt darin, verborgene Informationen aus den Daten zu ziehen und relevante Zusammenhänge zu erkennen. Genau an dieser Stelle setzt Industrial Analytics von Weidmüller an.

Anomalien erkennen und klassifizieren

Es gibt viele Ursachen, die den reibungslosen Betrieb einer Anlage stören können. Hierzu zählen etwa Luftblasen im Kühlkreislauf, die zu einer verminderten Kühlleistung führen, oder ein Spiel im Getriebe, das unpräzise Bewegungen erzeugt. Die Data Scientists von Weidmüller entwickeln mithilfe von Künstlicher Intelligenz Modelle, die derartige Abweichungen vom Normalverhalten, also Anomalien, in Echtzeitdaten erkennen. Als Referenz verwenden sie historische Daten, die über einen gewissen Zeitraum hinweg ein charakteristisches Muster für den Betrieb einer Maschine liefern.

Bei der Anomalieklassifizierung werden anschließend erkannte Abweichungen in Kategorien von Wichtig bis Unwichtig eingeteilt und wichtige Anomalien einer Störungsursache zugeordnet. Maschinenbetreiber können mit diesen Informationen schneller auf Probleme reagieren und erkennen sogar Fehlverhalten, das andernfalls unentdeckt geblieben wäre. Durch eine schnellere Diagnose verkürzen sich letztendlich die Stillstandszeiten, was zu einer Senkung der Kosten und einer optimierten Produktionsleistung führt.

Feature-Engineering erkennt komplexe Muster

Für den ganzheitlichen Ansatz von Industrial Analytics gewann Weidmüller den German Innovation Award 2018 in der Wettbewerbsklasse „Excellence in Business to Business“. Dr. Markus Köster, Forschungs- und Entwicklungsleiter im Bereich Industrial Analytics (l.), und Tobias Gaukstern, Leiter der Business Unit Industrial Analytics (r.), nahmen die Auszeichnung in Berlin entgegen. Eine wichtige Technik zur Entwicklung zuverlässiger KI-Modelle ist das Feature-Engineering. Bei dieser Herangehensweise werden Messwerte in komplexen statistischen Zusammenhängen betrachtet. Dazu werden beispielsweise Korrelationskoeffizienten gebildet, die zusammenhängende Veränderungen zweier oder mehrerer Features über den zeitlichen Verlauf darstellen. Die Data Scientists verwenden die historischen Maschinendaten, um die neuen Features zu entwickeln. Das Ziel ist es, abweichende Muster noch besser und zuverlässiger zu erkennen als auf Basis der Rohdaten. Ein Beispiel: Hochfrequente Signale, wie sie etwa von Vibrationsmessungen oder Frequenzumrichtern vorliegen, können anhand von mathematischen Verfahren in verschiedene Frequenzbereiche mit ihren jeweiligen Anteilen am Ausgangssignal zerlegt werden. Die für das Normalverhalten einer Maschine charakteristischen Signalanteile werden vom Modell erlernt und sind ein besserer Indikator für mögliche Störungen als das ursprüngliche Signal.

Hier sind alle gefragt

Weil die Datenreihen anhand des konkreten Maschinen- oder Prozessverhaltens interpretiert und bewertet werden müssen, ist für das Feature-Engineering ein umfangreiches Applikationswissen erforderlich. Die Expertise der Data Scientists, das Applikations-Know-how des Maschinenbauers oder -betreibers sowie bereits gewonnene Erfahrungswerte werden hier gleichermaßen benötigt, um praxisgerechte Lösungen zu finden. Nur der Applikationsexperte kann bewerten, ob eine Anomalie tatsächlich einen Maschinenfehler abbildet. Er unterstützt den Datenspezialisten dabei, diejenigen Algorithmen zu konstruieren, die den normalen Betriebszustand sowie mögliche Abweichungen und Anomalien korrekt beschreiben. Auf KI basierende Modelle sind bereits heute für zahlreiche Applikationen, wie zum Beispiel bei Verpackungsmaschinen, in der Abfüll- und Fördertechnik sowie der Robotik, im Einsatz. Bei Weidmüller münden diese Modelle in eine passend auf den Anwender zugeschnittene Software. Diese überwacht und prognostiziert laufend das Maschinenverhalten und überführt die Daten sowie die Analyseergebnisse in eine Visualisierung. Die Benutzeroberfläche wird von UI-Experten (User Interface) individuell gestaltet, sodass jeder Kunde eine Lösung erhält, die zu seinem Anwendungsbereich passt.

Die Visualisierung vereinfacht es, den aktuellen Zustand der Maschine im Blick zu behalten. Dazu können einzelne Zeitbereiche näher betrachtet und mit Informationen „getaggt“ werden, die zukünftig in die Datenauswertung einfließen sollen. In diesem Beispiel zeigen die gelb unterlegten Bereiche dem Benutzer potenzielle Anomalien an, die der Algorithmus identifiziert hat. Auch diese Bereiche kann der Nutzer einsehen, um zu hinterlegen, ob tatsächlich eine Anomalie vorliegt oder nicht. Auf diese Weise lernt das Modell kontinuierlich weiter und kann Zustände künftig noch präziser einordnen.

Ein neues KI-basiertes Modell ist zunächst jedoch nicht in der Lage, alle zukünftig möglichen Fehler und Zustände einer Anlage abzubilden, vor allem wenn diese in den historischen Daten nicht oder nur selten enthalten sind. Die Industrial-Analytics-Module sind daher so konzipiert, dass der Anwender sein Modell selbstständig aktualisieren, erweitern und nach und nach verfeinern kann. Bei Bedarf stehen ihm die Data Scientists von Weidmüller natürlich zur Seite.

Mit Features zum Erfolg

Feature-Engineering ist der entscheidende Schlüssel zum Erfolg einer Analytics-Lösung. Dabei bringt Weidmüller das erforderliche Applikationswissen sowie die technische Expertise zu den physikalischen Zusammenhängen mit dem Data-Science-Know-how zusammen. Durch die Möglichkeit, die KI-basierten Modelle eigenständig weiterzuentwickeln, können Maschinenbauer und -betreiber ihre Modellperformance signifikant steigern, ohne ihr Domänenwissen preiszugeben.

Beratung & Support

Milena Krstic

Application Engineer Automation