KI bietet völlig neue Möglichkeiten für die Instandhaltung und das Qualitätsmanagement, wenn es in Einklang mit den Domänenexperten gebracht wird. (Quelle: Phoenix Contact)
Am Anfang der Machine-Learning-Lösung steht die Auswahl der relevanten Datenpunkte. Wichtig ist, dass die entsprechenden Sensorwerte oder Variablen die zu überwachende Komponente oder den zu analysierenden Prozess abbilden. Für einen Elektromotor bieten sich zum Beispiel die Leistungsaufnahme, Vibration und Temperatur an. Wenn am Motor ein Problem vorliegt, muss sich dieses ebenfalls in einer Veränderung der Sensorwerte bemerkbar machen. Dabei ist unwesentlich, dass die Art der Anomalie in den Sensordaten auch von einem Menschen detektiert und interpretiert werden kann. Außerdem muss der Experte diese Störungen nicht in den Daten markieren. Die in MLnext eingesetzten Modelle sind in der Lage, das untypische Verhalten allein durch die Abweichung zum Normalverhalten unter Berücksichtigung des Zeitverlaufs festzustellen. Sind markierte Daten vorhanden, lassen sich diese trotzdem zur Validierung und Verbesserung des Modells einbringen. Nach ihrer Auswahl und Aufzeichnung können die Daten nun in MLnext Creation hochgeladen werden.
Interpretation von Abweichungen
Bei MLnext Creation handelt es sich um eine Softwarelösung zur Erstellung von Machine-Learning-Modellen auf Basis von Zeitreihendaten. Die Besonderheit: Die Modelle werden automatisch generiert, ohne dass Programmierkenntnisse erforderlich sind. Anwender können über eine Weboberfläche Experimente konfigurieren sowie Modelle trainieren und vergleichen. Ein zentrales neues Feature stellt die Interpretation von Anomalien mithilfe von Graph Deviation Networks (GDN) und Variational Autoencoders (VAE) dar. Mit diesen Modellen lassen sich nicht nur Abweichungen feststellen, sondern auf einzelne Sensoren und Prozessschritte lokalisieren. Darüber hinaus ist ersichtlich, wie der Wert vom erwarteten Normalverhalten abweicht. So wird aus einem bloßen Alarm ein interpretierbarer Hinweis für den Instandhalter.
Das generierte Modell lässt sich aus MLnext Creation als Datei herunterladen und in MLnext Execution auf den Live-Daten anwenden. Phoenix Contact setzt hier auf den offenen Austauschstandard für Machine-Learning-Lösungen ONNX (Open Neural Network Exchange). Somit können Modelle aus anderen Machine-Learning-Lösungen ebenfalls genutzt und mit MLnext Execution in der Industrie verwendet und verwaltet werden. Die neusten Prozessdaten lassen sich beispielsweise direkt aus Datenbanken laden, die Phoenix Contact für die Steuerungen PLCnext Control bereitstellt. Zudem können die Daten per OPC UA, Rest-API oder einen Streaming-Prozessor übergeben werden. MLnext Execution führt die Modelle dann kontinuierlich oder lediglich bei Bedarf aus. Dabei werden Durchlaufzeiten überwacht und die Ergebnisse zur Verfügung gestellt. Auf diese Weise lässt sich sicherstellen, dass die Antwort des Modells in der gewünschten Zeit für die Weiterverarbeitung vorliegt. Als Beispiel sei ein Förderband genannt, das nach einer Qualitätskontrolle in verschiedene Richtungen angesteuert wird.