Suchen

Grundlagen

IoT-Basics: Machine Learning in der Smart Factory

Seite: 5/6

Firmen zum Thema

Die Modellgüte für das vorliegende Regressionsmodell wird mit dem Bestimmtheitsmaß R2 (engl.: R-squared) bestimmt. Ein R² von 0 % bedeutet, dass die Absatzmenge von Produkt A nicht mit einem linearen Modell durch die unabhängige Variable Datum erklärt werden kann. Ein R² von 100 % hingegen bedeutet, dass die Absatzmenge von Produkt A mit einem linearen Modell durch die unabhängige Variable Datum perfekt erklärt wird. Für einen produktiven Einsatz von Machine Learning in der virtuellen Smart Factory (intelligenten Fabrik) sollte der R² -Wert größer als 70 % sein. Die Berechnung für das folgende R² -Bestimmtheitsmaß wird in Bild 15 visualisiert. Die prognostizierten Werte liegen auf der Geraden, und die Distanz zum tatsächlichen Wert ist gestrichelt dargestellt. Die Distanz zwischen dem tatsächlichen Wert und dem prognostizierten Wert wird für die Berechnung von R² quadriert.

Dieses Vorgehen wird für alle Datenpunkte in dem Trainingsdatensatz durchgeführt, und die Ergebnisse der Distanzen werden zu einer Gesamtsumme aufsummiert. Anschließend wird die Gesamtsumme durch die Anzahl der Datenpunkte dividiert. Das Ergebnis der Division wird von der Zahl 1 subtrahiert. Somit liegt das Ergebnis für das Bestimmtheitsmaß R² zwischen 0 und 1. Für eine prozentuale Darstellung kann das Ergebnis abschließend mit 100 multipliziert werden. Dieser Prozess wird automatisiert für alle Produkte durchgeführt, bis letztendlich für jedes Produkt ein Prognosemodell zur Verfügung steht. Das Bestimmtheitsmaß R² liegt für alle Prognosemodelle zwischen 78 % und 97 %, was völlig ausreichend für die virtuelle Smart Factory ist.

Komplexe Prognosen auf Basis der symbolischen Regression

Die linearen Regressionsmodelle sind bereits für viele Anwendungsfälle ausreichend, da viele reale Prozesse im relevanten Bereich lineare Näherungen haben, viele andere aber auch nicht. Hochpräzise Prognosemodelle können z.B. mit der symbolischen Regression entwickelt werden. Die symbolische Regression erstellt spezialisierte Modellformeln auf Basis einfacher mathematischer Bausteine automatisch. Dazu werden typischerweise Milliarden von Modellkandidaten auf ihre Genauigkeit und Komplexität geprüft und ausgewählt.

Das Ergebnis sind mathematische Funktionen, die von Experten verstanden und interpretiert werden können, daher werden sie als White-Box-Modelle bezeichnet. Mit diesen Eigenschaften ausgerüstet, ist die symbolische Regression unter anderem in der Lage, physikalische Gesetze automatisiert zu erkennen – der «virtuelle Wissenschaftler». In Bild 16 ist exemplarisch ein hochpräzises Prognosemodell auf Basis der symbolischen Regression abgebildet, das im Gegensatz zum linearen Regressionsmodell weitere Gegebenheiten wie z.B. saisonale Perioden berücksichtigt.

Die Produktionsplanung kann sich für die Prognose zukünftiger Absatzmengen auf mathematisch präzise und statistisch belastbare Modelle verlassen und nicht wie in der Vergangenheit auf Bauchentscheidungen. Dadurch ergeben sich weitere Synergieeffekte, die sich in der gesamten Produktionsplanung bemerkbar machen. Die Produktionsplanung kann den Bedarf an Rohstoffen und Kapazitäten zielgerichteter abschätzen und kostengünstiger einkaufen. Die Lagerbestände sind zugleich optimiert. Weiterhin sind eine bessere Fertigungsplanung sowie die intelligente und effiziente Maschinenauslastung im Voraus planbar. Engpässe werden frühzeitig erkannt und können durch gezielte Maßnahmen kompensiert werden. Verkürzte Lieferzeiten bei gleichzeitiger Reduzierung der Produktionskosten maximieren die Gewinne und die Kundenzufriedenheit steigt zugleich.

Bildergalerie

Bildergalerie mit 18 Bildern

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