Mit edgeML ermöglicht Weidmüller Machine Learning direkt dort, wo die Daten entstehen. (Quelle: Weidmüller)
"edgeML kann verschiedene Modelle zu maschinellem Lernen ausführen und eignet sich für Automatisierungsingenieure. Der No-Code-Ansatz von Weidmüller macht es möglich, auch ohne Kenntnisse in Python oder Data Science ML-Modelle auf eine Steuerung deployen zu können", geben die Experten an.
Mehrwert schaffen
Machine Learning direkt an der Anlage bringt aus Sicht von Weidmüller mehrere Vorteile mit sich. "Einer der wichtigsten sind die lokale Erfassung, Speicherung und Verarbeitung von Daten. Denn im Gegensatz zu cloudbasierten ML-Lösungen muss die Maschine oder die Steuerung die Daten nicht in die Cloud übertragen. Sie werden lokal verarbeitet. So können Betreiber sicherstellen, dass sensible Daten das Unternehmen nicht verlassen", heißt es von Unternehmensseite.
Außerdem sorgt die neue ML-Lösung für effiziente Prozesse: "Unstimmigkeiten im Produktionsprozess werden direkt an der Maschine erkannt. Das beschleunigt die Fehlerbehebung, beugt langwierigenen Ausfällen vor und verringert die Produktion von Ausschuss. Gleichzeitig spart edgeML Kosten, da Cloudlizenzen und Gebühren für die Datenübertragung und -speicherung entfallen", wird weiter berichtet.
Auch Produktionslinien, deren Maschinen und Anlagen aus Sicherheitsgründen nicht mit dem Internet verbunden werden dürfen, profitieren mit edgeML von maschinellem Lernen.
Einfache Modellerstellung und -anpassung
Der Weidmüller-Weg zu einem Machine-Learning-Modell an der Edge beginnt mit der Datensammlung an der Anlage. Diese importiert der Automatisierungsingenieur oder Domänenexperte in den ModelBuilder. Dort kann er nun auf Basis der Daten ML-Modelle erstellen, die im letzten Schritt auf edgeML übertragen werden.
Da edgeML das Standardformat ONNX unterstützt, haben Anwender zusätzlich zum ModelBuilder weitere Möglichkeiten: Modelle lassen sich beispielsweise auch in Python erstellen. So können sie maschinelles Lernen in ihrem gewohnten Umfeld verwirklichen. Existierende ONNX-Modelle lassen sich ebenfalls mit edgeML wiederverwenden.
"Performt ein Modell nicht mehr in gewünschter Weise, lässt es sich leicht ersetzen, ohne dass die Kommunikationseinstellungen angepasst werden müssen. Somit unterstützt edgeML eine einfache Verwaltung des Lebenszyklus von ML-Modellen (MLOps)", erklären die Experten. Um Zeit und Ressourcen bei der Erstellung von ML-Lösungen möglichst gering zu halten, ermöglicht Weidmüller in Zukunft auch die Kalibrierung von erstellten Modellen. "Diese Funktion ist bereits in ModelRuntime verfügbar. Ein Standardmodell für eine Maschinenfamilie wird zu einer Schablone, die auf andere Maschinen derselben Klasse ausgeweitet werden kann. An diesen lernt das angewandte Modell weiter, um sich auf die jeweilige Anlage anzupassen. Dies ermöglich die skalierbare Wiederverwendung von ML-Modellen", wird ergänzt.
Breit einsetzbar
Über RestAPI können auch Kunden, die bereits ein HMI oder ein MS-System integriert haben, edgeML anwenden. Für den nächsten Entwicklungsschritt ist geplant, die Zugänglichkeit des Produkts weiter zu verbessern. Ein Connector soll die Grenzen von Feldbussen und Protokollen überwinden, sodass edgeML übergreifend einsetzbar wird.