Was kann KI/ML für Sie tun?
Durch den Einsatz von Künstlicher Intelligenz (KI) – also der Fähigkeit eines computer- oder computergesteuerten Roboters, Aufgaben auszuführen, die üblicherweise mit Menschen in Verbindung gebracht werden – oder maschinellem Lernen (ML) – der Fähigkeit einer Maschine, intelligentes menschliches Verhalten zu imitieren – können Hersteller ihre Leistung steigern durch:
Bis zu 10 % weniger Ausfallzeiten – Antizipieren Sie Gerätefehler mithilfe vorausschauender statt reaktiver Wartung und erhalten Sie Warnungen, wenn Geräte außerhalb der normalen Bereiche betrieben werden.
Bis zu 12 % bessere Qualität – frühere Erkennung von Prozess- oder Materialfehlern
Bis zu 30 % mehr Produktivität – Weniger Nacharbeit und Ausschuss, effiziente Instandhaltungsplanung und mehr Bewusstsein für Prozessprobleme
Laut Randy Thompson, Senior Business and Solution Architect bei TT PSC, erstellen ML-Algorithmen ein mathematisches Modell auf Basis verfügbarer Daten, um Vorhersagen oder Entscheidungen zu treffen, ohne explizit dafür programmiert zu sein. Während des Modellbildungsprozesses werden historische Daten als Eingabe verwendet, um das Modell zu trainieren – typischerweise 70 % für das Training und 30 % für die Auswertung und Bestätigung des Modells.
Was macht einen guten ML-Anwendungsfall aus?
Ein guter ML-Anwendungsfall besteht aus einem messbaren Prognoseziel, vielen Variablen und verfügbaren historischen Daten. Unternehmen verfügen in der Regel über viele Daten, aber oft nicht über die Daten, die sie benötigen, um das gewünschte Ziel vorherzusagen. Dies kann zusätzliche sensor Eingaben oder eine Anpassung der Prognoseziele erfordern. Dies ist ein Bereich, in dem ein erfahrener Partner helfen kann.
Ein gutes Beispiel für einen ML-Anwendungsfall ist ein Holz-Trocknungsprozess mit dem Ziel, das Holz auf einen bestimmten Feuchtigkeitsgehalt zu bringen. Mit maschinellem Lernen können Sie alle messbaren Variablen aus dem Prozess eingeben, um vorherzusagen, mit welcher Geschwindigkeit der Trockner betrieben werden muss, um den richtigen Trocknungsgrad zu erreichen. Das Tolle an maschinellem Lernen, sagt Thompson, ist, dass das Modell, nachdem Sie die benötigten Daten hinzugefügt haben, die Arbeit für Sie übernimmt. Weitere Fragen, die zu klären sind:
- Handelt es sich um ein Problem, das es wert ist, adressiert zu werden? Welchen geschäftlichen Nutzen erwarten Sie?
- Wie oft tritt das Problem auf? Im besten Fall tritt es regelmäßig genug auf, um Ihnen genügend Daten für die Erstellung eines Modells und die Beobachtung von Ergebnissen zu liefern.
- Welche Kosten entstehen durch Ausfallzeiten?
- Was werden Sie anders machen, wenn Sie diese Prognose haben?
Haben Sie schließlich die Daten, die Sie zum Erstellen des Modells benötigen? Es beginnt mit einer Hypothese. Wählen Sie aus, was Sie für wichtig halten, anstatt alle Daten einzugeben. Fragen Sie dann, welche Daten verfügbar sind und ob genügend Daten vorhanden sind, um eine genaue Prognose zu treffen.
Verwendung des Analytics Accelerator für FactoryTalk® Historian
Analytics Accelerator für FactoryTalk® Historian ist eine Kombination von Tools, die Rockwell Automation entwickelt hat, um Hersteller bei der eigenen Modellierung zu unterstützen.
Es handelt sich um eine integrierte Portfoliolösung, die mit ThingWorx® entwickelt wurde, um die Anwendung von maschinellem Lernen auf Daten, die in FactoryTalk® Historian-Datenarchiven gespeichert sind, zu erleichtern. Die Lösung besteht aus mehreren Diensten und ThingWorx®-Mashups, die die Benutzerschnittstelle bilden.
