Dane są stale generowane w maszynach i zakładach produkcyjnych. Przedsiębiorstwa, którym uda się przełożyć te dane na innowacje, zyskują decydującą przewagę konkurencyjną. Dzięki przyjaznemu dla użytkownika oprogramowaniu firma Weidmüller udostępnia metody sztucznej inteligencji producentom maszyn i przedsiębiorstwom produkcyjnym.

Na potrzeby analizy maszyn i danych procesu w analityce przemysłowej wykorzystuje się złożone modele, które są w stanie wykryć anomalie lub nawet przewidzieć przyszłe zachowanie maszyny. Metody sztucznej inteligencji (AI) i uczenia maszynowego (ML) są wykorzystywane do odkrywania nieznanych wcześniej powiązań między wartościami pomiarowymi za pomocą właściwości pochodzących z surowych danych.

Wymagane jest połączenie wiedzy eksperckiej

Niezbędne dane są dostępne w prawie każdej firmie. Opracowując znaczące modele analizy, zwłaszcza średnie przedsiębiorstwa są często nadal uzależnione od zewnętrznego wsparcia naukowców zajmujących się danymi. Firma Weidmüller opracowała przełomowe rozwiązanie, które umożliwia im działanie bez potrzeby korzystania z zasobów naukowców zajmujących się danymi. W ramach ścisłej współpracy z użytkownikiem końcowym eksperci ds. danych identyfikują istotne korelacje w wartościach pomiarowych i szkolą początkowy model. Po udanej aplikacji początkowy model jest wielokrotnie karmiony nowymi danymi i rozwijany w całym cyklu życia maszyny. Zwiększa to jakość informacji w czasie.

Nauka uczenia maszynowego

Wielu producentów maszyn i firm produkcyjnych nie było jeszcze w stanie samodzielnie korzystać z dostępnych narzędzi uczenia maszynowego, ponieważ ich obsługa została zoptymalizowana pod kątem działań opartych na danych realizowanych przez analityków i ekspertów. Firmy mogą albo przeszkolić swoich obecnych pracowników za olbrzymie pieniądze, albo same zatrudnić naukowca zajmującego się danymi. Powoduje to powstanie progu hamującego, który obecnie spowalnia upowszechnianie się sztucznej inteligencji w przemyśle.

Alternatywą jest opracowanie przyjaznego dla użytkownika oprogramowania, które nawet użytkownicy nieposiadający żadnego wykształcenia w zakresie statystyki będą w stanie zrozumieć, aby wygenerować modele analityczne. Dział analityki przemysłowej firmy Weidmüller wprowadził ten pomysł w życie dzięki zautomatyzowanemu oprogramowaniu do uczenia maszynowego. Sama nazwa aplikacji sugeruje, że modele są w dużej mierze opracowywane automatycznie.

„Podobne aplikacje są obecnie stosowane w obszarze fintech, bankowości i marketingu. Istniejące rozwiązania nie są jednak dostosowane do inżynierii maszyn i zakładów, ponieważ nie wspierają odpowiednich typów danych związanych z automatyzacją przemysłową. Zawsze wymagają posiadania idealnej bazy danych” — wyjaśnia dr Carlos Paiz Gatica, menedżer produktu w jednostce biznesowej Industrial Analytics. „Ponadto nie zapewniają możliwości integracji wiedzy użytkownika, która jest niezbędna dla zastosowań przemysłowych”.

W przypadku oprogramowania zautomatyzowanego uczenia maszynowego analitycy Weidmüller łączą dane i informacje ekspertów z danej dziedziny z algorytmami, aby automatycznie generować dostosowane modele. Poniższe czynności opisują przykładowy proces generowania modelu z wykorzystaniem wykrywania anomalii:

1. Selekcja danych szkoleniowych

Specjalista w danej dziedzinie decyduje, które zestawy danych należy wykorzystać do poznania normalnego zachowania maszyny lub instalacji. W tym celu najpierw generowany jest przegląd surowych danych, który wspiera użytkownika w ocenie zawartości informacyjnej danych. Przygotowanie wartości pomiarowych odbywa się całkowicie automatycznie.

2. Inżynieria właściwości

Jeżeli surowe dane nie są wystarczające, można wygenerować dodatkowe informacje na ich podstawie. Użytkownik może wykorzystać swoją wiedzę z dziedziny do utworzenia nowych właściwości. Mogą one przykładowo opisywać przebieg zmiany temperatury, a nie tylko poszczególne stany. Korzystając z takich właściwości, często można ocenić stan maszyny w lepszym stopniu, niż w przypadku samych surowych danych.

3. Oznaczanie zachowania maszyny

Za pomocą etykiet użytkownik oznacza obszary danych, w których występuje normalne (zielone) lub niepożądane (czerwone) zachowanie. Dzięki temu użytkownik może zwiększyć zawartość informacyjną danych szkoleniowych, korzystając z własnej wiedzy eksperckiej z danej dziedziny. Systemy pomocy wspierają proces oznaczania, bezpośrednio podkreślając podobne sytuacje w zestawie danych.

4. Szkolenie modelu

Oznaczone zestawy danych są konwertowane na modele i szkolone przy użyciu różnych metod uczenia maszynowego. Ten w pełni zautomatyzowany proces pozwala na stworzenie listy alternatywnych modeli, które są dostarczane z informacjami na temat jakości wyników, czasu wykonania i czasu trwania szkolenia. Tzw. wykres oceny anomalii bezpośrednio przedstawia wyniki modelowania, dzięki czemu ekspert może od razu porównać wydajność różnych modeli. Jeżeli żądana wydajność modelu nie została jeszcze osiągnięta, użytkownik może ponownie edytować właściwości i etykiety modelu. Model ten można następnie przenieść bezpośrednio do architektury systemu docelowego.

Rozszerzanie aplikacji AI

„Dzięki zautomatyzowanemu oprogramowaniu do uczenia maszynowego konstruktorzy maszyn i przedsiębiorstwa produkcyjne mają możliwość niezależnego wykorzystania korzyści płynących ze sztucznej inteligencji i uczenia maszynowego, bez konieczności samodzielnego stawania się ekspertami w dziedzinie danych” — mówi Paiz. „Uniwersalna aplikacja wspiera użytkowników zarówno w początkowym etapie generowania modelu, jak i w dalszym rozwoju. W ten sposób firmy nie są już zależne od zasobów naukowców danych i nie muszą dzielić się swoimi procesami i wiedzą o urządzeniach z partnerami zewnętrznymi”.