Anomalieerkennung auf Basis von Machine Learning
Schnittstellen des Industrie-PC können ohne zusätzlichen Aufwand direkt in die Applikation eingebunden werden. (Quelle: Phoenix Contact)
Einsatz des Edge-Devices zum Navigieren und Steuern eines fahrerlosen Transportsystems sowie einer direkten Analyse und Visualisierung der Daten (Quelle: Phoenix Contact)
Der Einsatz von VL3 UPC 2440 Edge bietet sich beispielsweise im innerbetrieblichen Warentransport an. Dort kombiniert das Gerät klassische Steuerungsfunktionen mit der Navigation eines fahrerlosen Transportsystems (FTS). Über eine Plug-and-play-Schnittstelle für das Robot Operation System (ROS) lässt es sich schnell an bestehende Navigationslösungen ankoppeln. Aufgrund der Unterstützung von Hochsprachenprogrammierung, ROS-Interface und Docker-Software kann der Anwender eigene Ansätze direkt auf dem Edge-Gerät realisieren. Der digitale Marktplatz PLCnext Store umfasst viele Apps, mit denen VL3 UPC 2440 Edge Firmware- und Applikations-Updates an andere im FTS verbaute Steuerungen senden kann.
Neben der Steuerung des fahrerlosen Transportsystems gibt das Edge-Gerät die gesammelten Daten lokal in Form von Dashboards aus. Über das unternehmenseigene, auf KI basierende Framework MLnext lässt sich eine datenbasierte Anomalieerkennung umsetzen. Dies geschieht ohne Programmieraufwand auf der Grundlage der auf dem Edge Device zusammengetragenen Daten. MLnext wertet die Datenpunkte im Hinblick auf Auffälligkeiten aus und schafft so die Basis für eine vorausschauende Wartung. Eine frühzeitige Warnung vor Problemen, wie ausschlagenden Wellen und Motoren oder verschlissenen Sensoren, erlaubt sofortige Reparaturen und minimiert somit Produktionsausfälle.
Über Schnittstellen, die traditionelle Steuerungen in der Regel nicht bieten, lassen sich Daten zum Beispiel direkt per WLAN übertragen. Optional kann auch ein 4G-/LTE-Modem angeschlossen werden. Beides erspart die Verlegung von Leitungen. Ferner verfügt das Edge-Gerät standardmäßig über zwei integrierte RJ45-Ethernet-Ports (10/100/1000 Mbit/s), die der Anwender um zwei weitere RJ45-Ports ergänzen kann. Der interne 240-GB-Speicher ermöglicht eine langfristige lokale Datenspeicherung. Sollen die fahrerlosen Transportsysteme zuverlässig, effizient und flexibel betrieben werden, kann VL3 UPC 2440 Edge also sämtliche Steuerungsfunktionen zum Automatisieren und Steuern übernehmen. Zeitgleich lässt sich die Leistung des Geräts nutzen, um Daten ohne Umwege direkt auf der Industrie-PC-Hardware zu verarbeiten. Das Linux-Desktop-Betriebssystem vereinfacht die Implementierung der Anwendungen für das Filtern bis zum KI-basierten Auswerten der Daten deutlich. Gleiches gilt für die direkte Einbindung von Kameras und Scannern über physische Schnittstellen wie USB. Der entsprechende Entwicklungsaufwand reduziert sich.
Fazit
Bei VL3 UPC 2440 Edge handelt es sich um eine zukunftsweisende Lösung zur Integration von OT und IT in der modernen Industrie. Die leistungsstarke Hardware und flexible Software schaffen eine zuverlässige und performante Plattform für eine Vielzahl von Anwendungen – von der klassischen Automatisierungstechnik bis zu modernen Edge Anwendungen. Die nahtlose Einbindung von OT und IT erleichtert die Verwendung fortschrittlicher Technologien und eröffnet neue Möglichkeiten für die Datenverarbeitung und -analyse. Automatisierungslösungen lassen sich effizient und kostengünstig umsetzen.
Erstellen, Trainieren und Auswerten von ML-Modellen
Nachdem die in der jeweiligen Anwendung gesammelten Daten im Edge-Gerät gespeichert worden sind, kann der Anwender das Softwareportfolio MLnext nutzen, um Machine-Learning-Modelle zu erstellen, zu trainieren und auszuführen. Das Leistungsspektrum beinhaltet die folgenden Lösungen:
- Mit der kostenfreien Programmierbibliothek MLnext Framework erhalten Entwickler nützliche Hilfsfunktionen zur Auswertung von Zeitreihendaten, damit sie ihre eigenen Modelle entwickeln können.
- Die Anwendung MLnext Creation erlaubt die Generierung, das Training und die Prüfung eines Machine-Learning-Modells. Der Anwender greift dabei auf eine Reihe von vorerzeugten Modellvorlagen zu, die auf Anomalieerkennung und Potenzialanalyse optimiert sind.
- Das Machine-Learning-Modell lässt sich mit der Anwendung MLnext Execution ohne Programmierkenntnisse hardwareunabhängig realisieren.
MLnext unterstützt somit den gesamten Einsatzzyklus eines Machine-Learning-Modells, indem sowohl Potenziale als auch Probleme aufgedeckt werden können.