Grundlagen IoT-Basics: Machine Learning in der Smart Factory

Künstliche Intelligenz, Machine Learning, Deep Learning. Was steckt hinter diesen Buzzwords und wo liegt der Nutzen von KI und maschinellem Lernen? Der Beitrag erläutert die relevanten Methoden und Algorithmen und skizziert den Einsatz in der intelligenten Fabrik.

Anbieter zum Thema

Parasoft® Deutschland GmbH

Rund um das Thema «maschinelles Lernen» (Machine Learning) existieren meist englische Begriffe wie Supervised & Unsupervised Learning, Deep Learning, Classification, Regression, Features, Training & Test Data, Validation – und damit ist nur ein Bruchteil der bekanntesten genannt. Werden die Namen der Algorithmen hinzugenommen, die zum Teil aus Akronymen bestehen, ist die Verwirrung komplett.

Im Folgenden werden die wichtigsten Grundbegriffe und Algorithmen des maschinellen Lernens erklärt. Zunächst jedoch wird der Begriff maschinelles Lernen eingeführt. Anschließend wird eine virtuelle Smart Factory (intelligente Fabrik) errichtet, in der die verschiedenen Verfahren zu Klassifikation, Regression und Clustering anschaulich erklärt werden. Bereits mit diesem Basiswissen über diese drei Hauptverfahren können erste Ideen selbstständig für das nächste Analytics-Projekt abgeleitet werden. Für weitere Inspirationen werden im nächsten Kapitel Anwendungsgebiete für Industrial-Analytics-Projekte aufgezeigt.

Was ist maschinelles Lernen (Machine Learning)?

«Maschinelles Lernen» (Machine Learning) bezeichnet eine Querschnittsdisziplin aus Statistik, Informatik und Mathematik, die das Ziel hat, Softwaresysteme zu konstruieren, die automatisch aus Daten lernen können. Eine Vielzahl generischer Lernalgorithmen wurde entwickelt,um eine Vielzahl von Lernaufgaben zu lösen oder neue Erkenntnisse aus Daten zu gewinnen. Wie der Name «Maschinelles Lernen» (Machine Learning) bereits impliziert, lernen Maschinen komplexe Zusammenhänge, wozu Menschen in puncto Schnelligkeit und Genauigkeit nicht mehr in der Lage sind.

Damit die wachsende Datenflut in der industriellen Produktion beherrschbar wird, hilft maschinelles Lernen, aus einer immensen Menge von Sensoren- und Prozessdaten komplexe Zusammenhänge zu entschlüsseln, Muster zu erkennen und neues Wissen zu generieren. Ein weitläufig bekanntes Beispiel ist die Klassifikation zur Erkennung von E-Mails als Spam, dargestellt in Bild 1.

Die virtuelle Smart Factory (Bild 2) dient als Referenzbeispiel. Auf die virtuelle Smart Factory (smarte Fabrik) wird immer wieder referenziert, um bestimmte Methoden einfacher erklären zu können. Die Optimierungen und Effizienzsteigerungen an der virtuellen Smart Factory werden in den nächsten Abschnitten in diesem Buchkapitel anhand der eingeführten Beispiele veranschaulicht.

In der virtuellen Smart Factory wird ein fiktives Endprodukt in den Maschinen M1 und M2 produziert. Anschließend wird das Endprodukt bei der Qualitätssicherung QS einer Qualitätsprüfung unterzogen. Endprodukte, die den Qualitätsmerkmalen entsprechen, werden abschließend an der Verpackungsmaschine M3 verpackt, womit das Endprodukt fertig produziert ist. Endprodukte, die den Qualitätsmerkmalen nicht entsprechen, werden bei der QS aussortiert.

Bildergalerie

Bildergalerie mit 18 Bildern

Klassifikation – Effizienzsteigerung in der Qualitätssicherung

In der virtuellen Smart Factory wird das Endprodukt am Ende der Produktionskette innerhalb der Qualitätssicherung mit gut oder schlecht bewertet. Bewertungen mit gut entsprechen den Qualitätsansprüchen des Marktes und werden weiter verarbeitet, wohingegen Bewertungen mit schlecht aussortiert werden und Ausschuss darstellen. Die Entscheidung, ob das Endprodukt mit gut oder schlecht bewertet wird, wird am Beispiel der Klassifikation Schritt für Schritt in Kontext von maschinellem Lernen erklärt.

Die Klassifikation teilt dem Endprodukt die diskreten Werte gut und schlecht zu. Größen, die nur einen bestimmten Wert annehmen können, wie z.B. eine der Farben Rot, Grün oder Blau, werden als diskret bezeichnet. Auf der anderen Seite gibt es kontinuierliche Werte, die auch Zwischenwerte annehmen können. Diese sind von der Klassifikation ausgeschlossen (Bild 3).

Zunächst wird in der Qualitätssicherung die Bewertung für das Endprodukt anhand eines Merkmals A bestimmt. Merkmal A sowie weitere Merkmale B, C, D,…repräsentieren in diesem Beispiel unterschiedliche Eigenschaften, wie z.B. Temperatur, Gewicht, Druck, Größe und Werkstoffzusammensetzung. In Bild ist die Verteilung für Merkmal A dargestellt. Eine eindeutige Klassifikation ist nur für gut möglich, wenn der Wert für Merkmal A größer als y ist. Der Wertebereich zwischen x und y lässt keine eindeutige Klassifikation in gut oder schlecht zu. Damit die Klassifikation bessere Entscheidungen zwischen gut und schlecht treffen kann, sind weitere Merkmale notwendig. Die Hinzunahme eines weiteren Merkmals bedeutet mathematisch, dass eine weitere Dimension hinzugefügt wird. Dimensionen sind Features – also Merkmale, die für die Klassifizierung benutzt werden.

(ID:45204206)