Maschinelles Lernen - der Einstieg

Daten sind der Rohstoff des 21. Jahrhunderts

Was ist im Maschine Learning konkret umsetzbar?

Im industriellen Umfeld sind die Einsatzmöglichkeiten dieser Technologien ebenfalls in einem breiten Ausmaß möglich, allerdings noch nicht so konsequent umgesetzt beziehungsweise erst in der Umsetzungsphase.
Es werden generell zwei wesentliche Anwendungsfelder unterschieden: Knowledge Discovery und Predictive Analytics. Industrial Knowledge Discovery hat zum Ziel kausale Wirkungszusammenhänge aus Daten zu erkennen  um daraus spezifische Maßnahmen abzuleiten.
Die wohl am häufigsten gestellten Fragen in diesem Zusammenhang sind Fragen wie „Welche Prozessparameter führen zu einer hohen Qualität?“ und „Was ist die Ursache für die seit kurzem erhöhte Ausschussrate?“. Hier können etablierte, interpretierbare Methoden wie etwa lernen und analysieren von Entscheidungsbäumen und multivariaten Regressionsverfahren (mit integrierter Merkmalsauswahl) eingesetzt werden. So konnte beispielsweise bei einem Laserschweißprozess als Ursache für nicht optimale Schweißnähte ein zu dicker Ölfilmrückstand am Ausgangsmaterial identifiziert werden (Kooperation AMS Engineering GmbH  und SCCH). Wesentlich für den Erfolg beim Einsatz dieser Methoden ist die Integration der Fachexperten in den Knowledge-Discovery-Prozess.
Mit Machine-Learning Methoden lässt sich zwar die Qualität der Modelle bewerten, nicht jedoch der Wert der gefundenen Zusammenhänge und des darin verborgenen Verbesserungspotentials. So können Anwender einerseits sicherstellen, dass die Daten richtig vorbereitet und die Algorithmen richtig darauf angewendet werden. Andererseits ist eine automatische Unterscheidung zwischen kausalen Zusammenhängen und oft irrelevanten statistischen Zusammenhängen sehr schwierig und es bedarf oft manueller Eingriffe. Letzteres ist nach wie vor ein sehr aktives Forschungsgebiet und die bisher entwickelten Methoden sind für einen produktiven industriellen Einsatz noch nicht ausreichend stabil.

Vorhersagen generieren

Über das reine generieren von Wissen hinaus gehen Aufgabenstellung im Bereich Predictive-Analytics. Deren Ziel ist es, Vorhersagemodelle für zukünftige Ereignisse zu generieren. Das Feld der industriellen Anwendung solcher Modelle ist sehr vielfältig. Es reicht von virtuellen Sensoren, der Fehlerdetektion, -diagnose und –vorhersage über die Vorhersage von kritischen Qualitätsattributen bis hin zur modelprädiktiven Kontrolle auf den unteren Ebenen der Automatisierungspyramide (siehe Bild 2 im Artikel). Auf den oberen Ebenen der Pyramide dienen diese Verfahren zum Beispiel zur Unterstützung logistischer Prozesse oder zur besseren Vorhersage des Materialbedarfs und der erforderlichen Lagerhaltung. Das Spektrum der Methoden die hier zum Einsatz kommen, ist sehr breit und umfasst bekannte Methoden des Machine-Learnings wie neuronale Netzwerke und Support-Vektor-Machines und verwandte Methoden, die ihren Ursprung in Gebieten wie Systemidentifikation oder der Regelungstechnik haben. Besonders vielversprechend sind hybride Ansätze, in denen das Expertenwissen über das System und den Prozess als Basis für ein analytisches Modell dient, dessen potentielle systematischen Unzulänglichkeiten sich mit einem datengetriebenen Ansatz korrigieren lassen.

Die vollständigen Artikel finden Sie hier:

Teil 1 aus 1/2017: http://www.computer-automation.de/unternehmensebene/produktionssoftware/artikel/137055/
Teil 2 aus 2/2017: http://www.computer-automation.de/unternehmensebene/produktionssoftware/artikel/137984

zurück