Ob es um die Vorhersage von Verschleißverhalten geht, um die Überwachung von Maschinen und Anlagen, die Datenerhebung oder um automatische Anomalieerkennung – es gibt viele Möglichkeiten, Prozesse zu optimieren. Daten erheben wir in der Zwischenzeit zu genüge. Doch wie machen wir uns diese zu Nutze
und welche Möglichkeiten bietet uns Künstliche Intelligenz?
Nicht jeder verfügt über das Wissen oder die Fähigkeit, die Daten zu nutzen, die mithilfe von Sensoren und Messtechnik in Prozessen erfasst werden. Eine Lösung bietet Machine Learning (ML). Algorithmen und Modelle erlauben es Maschinen- oder Prozessexperten, ohne Vorkenntnisse in Data Science, Daten in ML-Modelle zu überführen. Die Modelle lassen sich in bestehenden Fertigungsumgebungen einsetzen, sodass Produktionsverantwortliche und andere Akteure im Betrieb Analysen und Einblicke in Echtzeit erhalten. So werden aus Daten wertvolle Erkenntnisse.
Machine Learning unter der Lupe
Die neue Machine-Learning-Lösung edgeML von Weidmüller ist unabhängig von Cloud- und Internetzugang. Lernalgorithmen können nun direkt an der Edge laufen – sei es in Form einer SPS oder eines IPC. Dabei steht die Software als Docker-Container zur Verfügung. Somit ist edgeML herstellerunabhängig und kann auf allen gängigen industriellen Steuerungen verwendet werden, die eine Ausführung von Docker-Containern unterstützen. edgeML kann verschiedene Modelle zu maschinellem Lernen ausführen und eignet sich für Automatisierungsingenieure. Der No-Code-Ansatz von Weidmüller macht es möglich, auch ohne Kenntnisse in Python oder Data Science ML-Modelle auf eine Steuerung deployen zu können.
Mehrwerte schaffen
Machine Learning direkt an der Anlage bringt gleich mehrere Vorteile mit sich. Einen der wichtigsten stellen die lokale Erfassung, Speicherung und Verarbeitung von Daten. Denn im Gegensatz zu cloudbasierten ML-Lösungen muss die Maschine oder die Steuerung die Daten nicht in die Cloud übertragen. Sie werden lokal verarbeitet. So können Betreiber sicherstellen, dass sensible Daten das Unternehmen nicht verlassen. Die neue ML-Lösung bedeutet außerdem Schnelligkeit: Unstimmigkeiten im Produktionsprozess werden direkt an der Maschine erkannt. Das beschleunigt die Fehlerbehebung, beugt langen Ausfällen vor und verringert die Produktion von Ausschuss. Gleichzeitig spart edgeML Kosten, da Cloud-Lizenzen und Gebühren für die Datenübertragung und -speicherung entfallen. Auch Produktionslinien, deren Maschinen und Anlagen aus Sicherheitsgründen nicht mit dem Internet verbunden werden dürfen, profitieren mit edgeML von maschinellem Lernen.
Einfaches Erstellen und Anpassen von Modellen
Der Weg zu einem Machine-Learning-Modell auf der Edge beginnt mit der Datensammlung an der Anlage. Weidmüller bietet dazu die Softwaretools PROCON-WEB oder PROCON-Connect. Diese importiert der Automatisierungsingenieur oder Domänen experte in den ModelBuilder. Dort kann er nun auf Basis der Daten ML-Modelle erstellen, die im letzten Schritt auf edgeML übertragen werden.
Da edgeML das Standardformat ONNX unterstützt, haben Anwender zusätzlich zum ModelBuilder weitere Möglichkeiten: Modelle lassen sich beispielsweise auch in Python erstellen. So können sie maschinelles Lernen in ihrem gewohnten Umfeld verwirklichen. Existierende ONNX-Modelle lassen sich ebenfalls mit edgeML wiederverwenden.
Performt ein Modell nicht mehr in gewünschter Weise, lässt es sich leicht ersetzen, ohne dass die Kommunikationseinstellungen angepasst werden müssen. Somit unterstützt edgeML eine einfache Verwaltung des Lebenszyklus von ML-Modellen (MLOps). Um Zeit und Ressourcen bei der Erstellung von ML-Lösungen möglichst gering zu halten, ermöglicht Weidmüller in Zukunft auch die Kalibrierung von erstellten Modellen. Diese Funktion ist bereits in ModelRuntime, einer weiteren Weidmüller-Software für die Cloud, verfügbar. Ein Standardmodell für eine Maschinenfamilie wird zu einer Schablone, die auf andere Maschinen derselben Klasse ausgeweitet werden kann. An diesen lernt das angewandte Modell weiter, um sich auf die jeweilige Anlage anzupassen. Dies ermöglich die skalierbare Wiederverwendung von ML-Modellen.
Nutzbar auf allen Systemen
Über RestAPI können auch Kunden, die bereits eine HMI oder ein MS-System integriert haben, edgeML anwenden. Die Kombination mit PROCON-Connect wird die Grenzen von Feldbussen und Protokollen überwinden, sodass edgeML übergreifend einsetzbar wird.
Bild- und Textquelle: Weidmüller
