Suchen

Expertenbeitrag

Marten Schirge

Marten Schirge

Vice President of Sales, Device Insight GmbH

KI & Big Data

Maschinelles Lernen: Was tun mit 180 Zettabytes?

| Autor/ Redakteur: Marten Schirge / Julia Moßner

Laut Beratungsunternehmen PwC soll bei 80 Milliarden vernetzten Geräten bis 2025 das Datenvolumen von 4,4 Zettabytes auf 180 Zettabytes anwachsen (das sind rund 180 Milliarden Gigabytes). Als Schlüssel zur Beherrschung dieser Datenflut dienen Advanced Analytics- und Machine Learning-Technologien.

Firma zum Thema

IoT-Plattformen fungieren als Bindeglied, um die über Sensoren gelieferten Betriebs- und Produktionsdaten auszuwerten.
IoT-Plattformen fungieren als Bindeglied, um die über Sensoren gelieferten Betriebs- und Produktionsdaten auszuwerten.
( Bild: Device Insight )

Das maschinelle Lernen (ML) ist ein Teilbereich der KI, der vor allem für die Industrie immer wichtiger wird. ML bedient sich mathematischer Algorithmen, um ein System in die Lage zu bringen, Muster zu erkennen und mit dem gewonnenen Wissen die eigenen Parameter anzupassen. Auf diese Weise können Fehlerquellen ermittelt, Prozesse verbessert und Vorhersagen getroffen werden, wann etwa Maschinenteile oder Werkzeuge ausgetauscht werden müssen.

IoT-Plattformen fungieren hierbei als Bindeglied, um die über Sensoren gelieferten Betriebs- und Produktionsdaten auszuwerten und die Erkenntnisse in die Optimierung von Abläufen, wie zum Beispiel Taktzeiten oder Wartungsintervallen, oder in eine höhere Verfügbarkeit und Produktivität von Maschinen zu überführen.

Mit einfachen Algorithmen zum Erfolg

Grundsätzlich gilt: Je umfassender die Datenbasis ist, desto genauer lässt sich prognostizieren, wann der Servicefall oder das „End of Life“ eines Bauteils oder eine Anlage erreicht sind. So hat Device Insight für den Roboterhersteller KUKA einen Algorithmus implementiert, der für einen Roboter vorhersagt, wann die nächste Wartung ansteht. Die Prognose basiert auf Nutzungsdaten des Roboters und verwendet als statistisches Verfahren die lineare Regression sowie ein "Generalized Additive Model“-basiertes Prognoseverfahren.

In der Praxis zeigt sich, dass einfache Algorithmen wie die lineare Regression häufig schneller zum Erfolg führen als komplexe wie die Gaußsche Mischverteilung (Gaussian Mixture Model) oder k-Means. Gleichzeitig sollte eine IoT-Plattform für jeden Anwendungsfall gerüstet sein.

Predictive Maintenance als typisches Einsatzgebiet für IoT und ML

Bewährt hat sich ein dreistufiger ML-Ansatz: Im ersten Schritt werden die Daten der jeweiligen Komponenten erfasst und der Handlungsbedarf aufgezeigt, um im zweiten Schritt die gewonnenen Erkenntnisse und das Expertenwissen mittels Boolscher Operatoren in eine Rule Engine umzusetzen und Techniker frühzeitig zu informieren, wann ein Servicefall auftritt. Eine Rule Engine ist ein Framework, mit dem Regeln automatisiert verwaltet werden, um beispielsweise bei Schwellwertüberschreitungen einen Alarm auszulösen. Im dritten Schritt werden schließlich mit statistischen Methoden oder mit einfachen bis komplexeren ML-Algorithmen Vorhersagen über den Wartungsfall getroffen (Stichwort: Predictive Maintenance) und Prozesse automatisiert.

Think big, start small

Langfristig sind für eine erfolgreiche Implementierung von ML-Ansätzen mehrere Faktoren von Bedeutung: Die Art der erhobenen Daten, das angestrebte Resultat und der Ort der Datenverarbeitung.

Vom aktuellen Hype rund um KI sollten sich die Unternehmen jedenfalls nicht aus der Ruhe bringen lassen. Auch das maschinelle Lernen ist kein Allheilmittel. Vielmehr lautet das Gebot der Stunde: „Think big, start small.“

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45418180)

Über den Autor

Marten Schirge

Marten Schirge

Vice President of Sales, Device Insight GmbH