Open-Source-Programmierbibliothek
Mithilfe von Visualisierungen lassen sich die Vorhersagen der Modelle besser interpretieren. (Quelle: Phoenix Contact)
Die Generierung von Machine-Learning-Modellen birgt großes Potenzial für eine automatisierte Produktionsoptimierung, ist jedoch ebenfalls durch einige Hürden gekennzeichnet und setzt zumeist tiefes Fachwissen voraus. Vor diesem Hintergrund hat Phoenix Contact mit MLnext ein Lösungsportfolio für die Erstellung und industrielle Verwendung von Machine Learning entwickelt. Unabhängig vom individuellen Prozess- und Fachwissen soll jeder Nutzer und jede Nutzerin MLnext einsetzen und von dem Konzept profitieren können. Die einzelnen Komponenten der Lösung werden bereits in der Elektronikfertigung von Phoenix Contact genutzt. Dort haben sie zu einer Produktivitätssteigerung um 10 % geführt. Das MLnext-Konzept fokussiert sich auf die beschleunigten Realisierungszyklen von Lösungen (Idea-to-cash). Als Grundlage dient die Open-Source-Programmierbibliothek MLnext-Framework, die kontinuierlich neue Erkenntnisse aus der Forschung in die Zeitreihenanalyse einfließen lässt.
Plattformunabhängige Ausführungs-Software
MLnext Execution stellt einen weiteren Bestandteil des Lösungsportfolios dar. Hierbei handelt es sich um eine plattformunabhängige Software zur Ausführung von Machine-Learning-Modellen. Sie kann in der Steuerungsebene, einem IT-System oder einer Cloud verwendet werden. Der Datenfluss lässt sich auf Basis einer Konfigurationsdatei zur Laufzeit adaptieren. Eine Web-Oberfläche gibt einen Überblick zu allen Modellen und deren Ausführungszeiten. Neue Lösungen 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 Mitarbeiterinnen und Mitarbeiter von Phoenix Contact möglich.