Suchen

Grundlagen

IoT-Basics: Machine Learning in der Smart Factory

Seite: 4/6

Firmen zum Thema

Aus Sicht der Qualitätssicherung sind die Kennzahlen «Falsch-Negativ-Rate» und «Falsch-Positiv-Rate» besonders interessant. Die 500 Endprodukte, die als «falsch negativ» fälschlich aussortiert wurden, entsprechen den Qualitätsansprüchen und bilden – bezogen auf die insgesamt 6000 guten Endprodukte – einen vermeidbaren Ausschuss von ca. 8,3 % (Falsch-Negativ-Rate). Die 112 Endprodukte, die als «falsch positiv» für die Weiterverarbeitung zugelassen sind, entsprechen den Qualitätsansprüchen nicht und bilden – bezogen auf die insgesamt 5612 (Anzahl Vorhersage gut) zugelassenen Endprodukte – einen Produktfehler von ca. 2,8 % (Falsch-Positiv-Rate).

Bildergalerie

Bildergalerie mit 18 Bildern

Abschließend sind die Klassifikationsergebnisse mit einer Treffergenauigkeit von ca. 93,88 % und einem Klassifikationsfehler von 6,12 % für den produktiven Einsatz von Machine Learning in der virtuellen Smart Factory gut genug. Dennoch sollten weitere Daten herangezogen werden, um die Treffergenauigkeit zu erhöhen und den Klassifikationsfehler zu minimieren. Die Klassifikationsmodelle sollten in regelmäßigen Abständen manuell oder automatisiert angepasst und validiert werden (Modellmanagement). Ein Assistenzsystem für die automatische Klassifikation in der Qualitätssicherung könnte eine signifikante Effizienzsteigerung für die gesamte Produktionskette bedeuten.

Regression ermöglicht optimale Produktionsplanung und -steuerung

In der Zentrale der virtuellen Smart Factory (Bild 12) werden die Kundenaufträge bearbeitet und in der Fertigung die bestellten Endprodukte produziert. Anschließend werden die Endprodukte durch die Logistik in den Handel gebracht. Der Handel generiert wiederum neue Aufträge und beauftragt die Zentrale, so dass der Kreislauf letztendlich geschlossen ist. Die gesamte Wertschöpfungskette von der Beauftragung bis zum Endprodukt ist nicht kosteneffizient. Eine bessere Produktionsplanung und -steuerung können dem produzierenden Unternehmen helfen, auf allen Ebenen kosteneffizient zu arbeiten.

Auf Basis der historischen Unternehmensdaten werden mit Hilfe von Regressionsverfahren verschiedene Prognosemodelle entwickelt, die präzise und belastbar sind. Die neuen Prognosemodelle helfen dem produzierenden Unternehmen, unter Berücksichtigung mehrerer Einflussfaktoren (wie z.B. zukünftigen Absatzmengen, benötigten Rohstoffmengen und notwendigen Kapazitäten), eine optimale Produktionsplanung und -steuerung zu erstellen.

Die Regression gehört wie die Klassifikation zu der Gruppe des überwachten Lernens im Machine Learning. Anders als bei der Klassifikation ist die Regression eine Klasse von Verfahren, um kontinuierliche Werte zu bestimmen – z.B. Mengen und Preise (Bild 13). Weiterhin untersucht die Regression die funktionalen Zusammenhänge zwischen verschiedenen Merkmalen. Ein funktionaler Zusammenhang besteht dann, wenn eine oder mehrere unabhängige Variablen z.B. x eine abhängige Zielvariable yy erklären, so dass y = f(x) +.pngilon gilt. Beispielsweise könnte die abhängige Variable y für eine Absatzmenge stehen; ist die unabhängige Variable x das Datum, so könnte über y = f(x) +.pngilon die zukünftige Absatzmenge prognostiziert werden.

Die Regression kann für eine Vielzahl von Aufgabenstellungen eingesetzt werden, wie z.B. für die Identifikation von KPIs (Key Performance Indicators), die Bestimmung von optimalen Maschinenparametern oder die Prognose von Zielvorgaben in der Fertigung. Ebenfalls ist die Prognose von fehlenden oder zukünftigen Werten möglich, beispielsweise: welche Absatzmengen erwartet werden können, welche Rohstoffmengen benötigt werden und das Abschätzen von notwendigen Kapazitäten. Darüber hinaus können Zusammenhänge zwischen einem und mehreren Merkmalen erkannt werden – beispielsweise, welche Auswirkung die Eigenschaften Temperatur und Druck auf das Endprodukt in der Fertigung haben. Außerdem ist es möglich, Merkmale, die das Endprodukt beeinflussen, zu identifizieren, ohne dass diese jemals in Betracht gezogen worden wären, sowie die Art und Weise dieser Einflüsse.

Es gibt viele verschiedene Regressionsverfahren, wie z.B. die lineare Regression, logistische Regression, symbolische Regression und generalisierte lineare Modelle. Jedes dieser Verfahren hat seine Stärken und Schwächen und wird je nach Aufgabenstellung ausgewählt. In den folgenden Abschnitten werden die Grundlagen für eine einfache lineare Regression aus Sicht des maschinellen Lernens (Machine Learning) Schritt für Schritt erklärt.

Bestimmtheitsmaß R² sollte über 70 % liegen

Für eine bessere Produktionsplanung in der virtuellen Smart Factory wird für jedes einzelne Produkt ein Prognosemodell erstellt, damit zukünftige Absatzmengen besser prognostiziert werden können. In Bild 13 sind auf Basis der historischen Unternehmensdaten die Absatzmengen für verschiedene Produkte A, B, C, … kompakt aufgelistet. Die Datenbasis enthält für jedes Produkt die genaue Absatzmenge für den Zeitraum von Januar 2000 bis Dezember 2016. Diese Datenbasis stellt zugleich den Trainingsdatensatz für das maschinelle Lernen dar. Es wird ein lineares Modell trainiert, um einen Zusammenhang zwischen der unabhängigen Variablen Datum und der abhängigen Variablen A (die Absatzmenge von Produkt A) zu finden. Das Ergebnis ist eine Gerade, die in Bild 14 dargestellt ist.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45204206)