Wie maschinelles Lernen die industrielle Produktion verändert

Laut Wikipedia ist maschinelles Lernen „die wissenschaftliche Untersuchung von Algorithmen und statistischen Modellen, die Computersysteme verwenden, um eine spezifische Aufgabe effektiv, ohne explizite Anweisungen zu verwenden, sondern sich stattdessen auf Muster und Schlussfolgerungen zu verlassen. Es wird als Teilmenge der künstlichen Intelligenz angesehen.“

Maschinelles Lernen ist kein Gerät, das Sie an eine Produktionslinie anschließen und die Linie besser als zuvor betreiben können. Es ist ein Prozess, der Eingaben von vielen Geräten benötigt, um Daten einzugeben, damit Daten gesammelt, ausgewertet und verwendet werden können, um Wissen über die Funktionsweise der Produktionslinie zu entwickeln.

Dieses Wissen kann dann verwendet werden, um zu bestimmen, wie die Produktionslinie einen höheren Durchsatz haben, kostengünstiger arbeiten und zuverlässiger laufen kann. Auf diese Weise verwandelt maschinelles Lernen einen Industriebetrieb in ein System von Systemen, das Produkte schneller und zu geringeren Kosten auf den Markt bringen kann, damit das Unternehmen wettbewerbsfähig bleiben und seine Kunden zufrieden stellen kann.

Prozessbasiertes maschinelles Lernen

Fügen wir der Idee des maschinellen Lernens einen Modifikator hinzu und nennen wir es „prozessbasiert“. Dies ermöglicht uns, der Sache auf den Grund zu gehen und die industrielle Technologie zu identifizieren, die aufgrund des Wunsches, Computeralgorithmen zu verwenden, um das Zeitalter der intelligenten Fertigung zu ermöglichen, entwickelt oder modifiziert werden musste.

Machine Learning verwendet Trainingsdaten, um seinem Computeralgorithmus beizubringen, was von den Produktionsmaschinen zu erwarten ist, die es überwacht, um diese Daten zu erhalten.

Es muss sich auf Mustererkennung und Inferenz verlassen, um die Fähigkeit des Algorithmus zu entwickeln, Entscheidungen und Vorhersagen zu treffen, ohne Code schreiben zu müssen, der explizit für diese Aufgabe programmiert werden muss. Die Trainingsdaten werden in einer strukturierten Abfolge von Schritten gesammelt, verarbeitet und ausgewertet, um die Daten für den Einsatz im Machine-Learning-Algorithmus aufzubereiten.

Diese strukturierte Abfolge von Schritten ist ein Prozess, und die Erstellung dieses Prozesses führt neue Technologien in Form von Geräten zum Erstellen der Daten, Netzwerke zum Speichern und Verarbeiten der Daten und Computern zum Verarbeiten und Bereinigen der Daten auf Genauigkeit und Relevanz ein.

Das ist ein System, das durch das obige Bild dargestellt wird. Noch wichtiger ist, dass dieses Diagramm aufgrund der zunehmenden Komplexität seines Betriebs ein System von Systemen (SoSe) ist. Wir werden in Kürze sehen, was diese Technologie für das maschinelle Lernen bedeutet.

Industrielle Anwendungen und Transformationen, die dem maschinellen Lernen zugeschrieben werden

Die Liste der neuen Technologien, die dem maschinellen Lernen zugeschrieben werden können, ist erschöpfend und kann in diesem Artikel nicht vollständig behandelt werden. Daher werde ich die Probleme auf höherer Ebene diskutieren, die leichter zu identifizieren sind.

Vorausschauende Wartung

Die Möglichkeit, Unterbrechungen einer Produktionslinie im Voraus vorherzusagen, kann für Hersteller von unschätzbarem Wert sein. Es ermöglicht dem Manager, Ausfallzeiten zum günstigsten Zeitpunkt zu planen und ungeplante Ausfallzeiten zu vermeiden. Ungeplante Ausfallzeiten belasten die Gewinnspanne stark und können zum Verlust Ihres Kundenstamms führen. Es stört auch die Lieferkette und führt zu Überbeständen.

Der Bedarf an zusätzlichem Personal kann ebenfalls viel Geld kosten. Eine kürzlich durchgeführte Studie prognostiziert, dass die Einführung von maschinellem Lernen zur Ermöglichung der vorausschauenden Wartung bei Herstellern um 38 % zunehmen wird, da die Gewinnspanne durch die Beseitigung ungeplanter Arbeitsunterbrechungen verbessert werden kann.

IT/OT-Konvergenz und Netzwerksicherheit

Die Entwicklung des maschinellen Lernens wird auch viele Geschäftsmodellmodifikationen in den Standardarbeitsanweisungen eines Herstellers vorantreiben. Dies gilt insbesondere im organisatorischen Aufbau eines Unternehmens. Das Computernetzwerk, das der heilige Boden der Abteilung für Informationstechnologie (IT) ist, muss mit den Betriebssensoren an den Produktionsmaschinen zusammengebracht werden, damit Daten gesammelt und als Trainingsdaten für maschinelles Lernen an das Data Warehouse gesendet werden können.

Es wird wahrscheinlich notwendig sein, die Mauer des Schweigens einzureißen, die die beiden Gruppen intern trennt, um Zusammenarbeit und Kooperation zu ermöglichen. Schließlich sind die Bodenbetreiber und Techniker erheblich betroffen, wenn das Netzwerk nicht zuverlässig ist oder gehackt wird, was die Produktion zum Erliegen bringen kann. Die Sensoren und Geräte der Betriebstechnik (OT) werden ebenso betroffen sein wie das IT-Netzwerk und die Computer.

Entwicklung digitaler Zwillinge

Das ultimative Ziel von künstlicher Intelligenz und maschinellem Lernen ist es, die Entwicklung eines digitalen Zwillings der Produktionshalle zu ermöglichen. Die Erstellung eines digitalen Zwillings sollte im Rahmen eines modellbasierten Systems-Engineering-Prozesses unter Verwendung von Machine-Learning-Algorithmen und gewonnenen Erkenntnissen als Grundlage erfolgen.

Der digitale Zwilling kann als Plattform für die Ausführung von Was-wäre-wenn-Szenarien dienen, um zu erfahren, was wir heute nicht wissen. Es kann auch als Modell zum Entwerfen von Teilen mit höherer Zuverlässigkeit und zum Anpassen der Interaktionen zwischen Produktionslinienmaschinen verwendet werden, um die Leistung zu verbessern. Die Möglichkeiten sind endlos.

Über den Autor

Joseph Zulick ist Autor und Manager bei MRO Electric and Supply .