Suchen

Grundlagen

IoT-Basics: Machine Learning in der Smart Factory

Seite: 6/6

Firma zum Thema

Clusteranalyse deckt Ähnlichkeiten in Produktionsdaten auf

Für die Qualitätssicherung in der fiktiven Smart Factory wurde im Beispiel der Klassifikation ein Modell erstellt, mit dem Endprodukte automatisiert nach ihrer Produktqualität bewertet werden. Für den dort verwendeten Trainingsdatensatz waren die Produktqualitäten bekannt und wurden mit gut und schlecht gekennzeichnet. Auf dieser Grundlage konnte ein Modell trainiert werden, das die verschiedenen Merkmale für das jeweilige Endprodukt nach gut und schlecht klassifiziert.

Ist eine solche Klassifikation auch möglich, wenn die Produktqualitäten vorher nicht bekannt sind? – Ja, mit einem Cluster-Algorithmus! Das Clustering ist eine Gruppe von Verfahren, mit denen ähnliche Merkmale zu einer Gruppe zugeordnet werden. Gruppen werden auch als Cluster bezeichnet. Cluster-Algorithmen (z.B. k-Means-Algorithmus, EM-Algorithmus oder DBSCAN) analysieren die verschiedenen Merkmale, und ähnliche Merkmalskombinationen werden zu den jeweiligen Gruppen zugeordnet.

Bildergalerie

Bildergalerie mit 18 Bildern

Für die Clusteranalyse werden die Trainingsdaten (Bild 17) aus dem Klassifikationsbeispiel ohne die Spalte Gut? verwendet, um ähnliche Merkmale Clustergruppen zuzuordnen. Wenn Algorithmen wie das Clustering mit Trainingsdaten lernen, in denen das Resultat wie z.B. Gut? nicht bekannt ist, so werden diese Algorithmen als «unüberwachtes Lernen» (engl.: unsupervised learning) bezeichnet. In Bild 17 ist das Ergebnis der Clusteranalyse illustriert. Die grünen Punkte gehören zur Gruppe gut und die roten zur Gruppe schlecht. Die grauen Punkte sind Ausreißer (engl.: outlier) und können zu keiner Gruppe zugeordnet werden. Nachfolgend sind die Ergebnisse der Clusteranalyse in Bild 18 aufgeführt.

Die Fachexperten können das neue Wissen interpretieren und validieren. Aus diesem Wissen können anschließend Mehrwerte generiert werden, indem z.B. die Zuordnung nach gut und schlecht für die automatische Klassifizierung verwendet wird. Die Fachexperten können das neue Wissen interpretieren und validieren. Aus diesem Wissen können anschließend Mehrwerte generiert werden, indem z.B. die Zuordnung nach gut und schlecht für die automatische Klassifizierung verwendet wird.

Dipl.-Inform. Baris Ayaz studierte Informatik an der Technischen Universität Dortmund und theoretische Medizin an der Ruhr-Universität Bochum. Nach dem Studium arbeitete er in der Finanzindustrie und war für die Entwicklung von automatisierten Handelssystemen und für die schnelle Verarbeitung von Finanzdaten verantwortlich. Er ist Mitbegründer und Geschäftsführer der sourcewerk GmbH, die sich mit der Datenanalyse rund um Industrie 4.0 befasst..

Fachbuch „Industrie 4.0: Potenziale erkennen und umsetzen“ Dieser Beitrag stammt aus den dem Fachbuch „Industrie 4.0: Potenziale erkennen und umsetzen“ von Thomas Schulz (Hrsg.) Das Buch bietet dem Professional einen praxisorientierten und umfassenden Einblick in die Digitalisierung der Fertigung und der Produktion. Das Buch „Industrie 4.0“ kann hier versandkostenfrei oder als eBook bestellt werden.

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