Údaje jsou průběžně generovány ve strojích a výrobních závodech. Společnosti, kterým se podaří převést tyto údaje do inovací, získávají rozhodující konkurenční výhodu. Díky uživatelsky přívětivému softwaru nyní společnost Weidmüller zpřístupňuje metody umělé inteligence konstruktérům strojů a výrobním společnostem.

K analýze strojních a procesních dat pomocí Průmyslové analytiky jsou používány složité modely, které jsou schopny odhalit anomálie nebo dokonce předpovědět budoucí chování strojů. Metody umělé inteligence (AI) a strojové učení (ML) jsou používány k odhalení dříve neznámých vztahů mezi naměřenými hodnotami pomocí funkcí odvozených z nezpracovaných dat.

Kombinované know-how vyžadováno

Potřebné informace jsou k dispozici téměř v každé společnosti. Při vývoji smysluplných analytických modelů jsou zejména středně velké společnosti často stále závislé na externí podpoře datových vědců. Společnost Weidmüller vyvinula průlomové řešení umožňující jednat bez potřeby zdrojů datových vědců. Datoví analytici ve spolupráci s koncovými uživateli identifikují relevantní korelace v naměřených hodnotách a trénují počáteční model. Po úspěšné aplikaci je původní model opakovaně doplňován novými daty a dále rozvíjen po celou dobu životnosti stroje. To v průběhu času zvyšuje kvalitu informací.

Učení se strojovému učení

Mnoho strojírenských a výrobních společností dosud nebylo schopno nezávisle využívat dostupné nástroje strojového učení, jejich provoz byl totiž optimalizován pro daty řízené činnosti analytiků. Společnosti mohou buď zaškolit své stávající zaměstnance, což je finančně velmi náročné, nebo si najmout datového vědce. To však působí jako „brzdný práh“, který v současné době zpomaluje šíření umělé inteligence v průmyslu.

Alternativou je vývoj uživatelsky přívětivých softwarových řešení, kterým budou schopni porozumět a vytvářet v nich analytické modely i uživatelé bez zaškolení v oblasti statistiky. Divize Průmyslové analytiky společnosti Weidmüller uvedla tuto myšlenku do praxe prostřednictvím svého automatizovaného software pro strojové učení. Samotný název použití naznačuje, že modely jsou z velké části vyvíjeny automatizovaně.

„Podobná použití jsou v současné době využívána v oblasti finančních technologií, bankovnictví a marketingu. Stávající řešení však nejsou vhodná pro konstrukci strojů a zařízení, protože nepodporují příslušné typy dat z automatizačního průmyslu. Vždy vyžadují ideální databázi,“ vysvětluje Dr. Carlos Paiz Gatica, produktový manažer divize Průmyslové analytiky. „Navíc nejsou schopny integrovat znalosti uživatele v dané oblasti, což je pro průmyslové aplikace zásadní“.

U softwaru pro automatizované strojové učení kombinují analytičtí odborníci společnosti Weidmüller data a informace odborníků v dané oblasti s algoritmy, které automaticky generují vhodné modely. Následující pracovní postup popisuje proces generování modelu pomocí detekce anomálií jako příklad:

1. Výběr dat pro učení

Odborník v dané oblasti rozhodne o tom, které soubory dat by měly být použity k učení běžného chování stroje nebo zařízení. Za tímto účelem je nejprve vytvořen přehled nezpracovaných dat, který uživateli pomáhá při vyhodnocování informačního obsahu těchto dat. Příprava naměřených hodnot probíhá zcela automaticky.

2. Inženýrství funkcí

Nejsou-li nezpracovaná hrubá data dostatečná, lze na jejich základě vytvořit dodatečnou informaci. Uživatel může pomocí svých znalostí v dané oblasti vytvářet nové funkce. Ty mohou například popsat průběh změny teploty, místo aby ukazovaly pouze jednotlivé stavy. Při použití těchto funkcí může být stav stroje často lépe vyhodnocen než s nezpracovanými hrubými daty.

3. Označení chování počítače.

Pomocí značky uživatel označí ty oblasti v datech, ve kterých se vyskytuje normální (zelené) nebo nežádoucí (červené) chování. To umožňuje uživateli zvýšit informační obsah trénovacích/učících dat pomocí jeho znalostí v daném oboru. Asistenční systémy podporují proces označování tím, že přímo upozorňují na podobné situace v souboru dat.

4. Modelové učení

Označený soubor dat je převeden na modely a učen pomocí různých metod strojového učení. Výsledkem tohoto plně automatizovaného procesu je seznam alternativních modelů, které jsou opatřeny informacemi o kvalitě výsledku, době provedení a trvání učení. Takzvaný Anomaly Score Plot přímo zobrazuje výsledky modelů, takže datový expert může přímo porovnat výkonnost modelů. Pokud ještě nebylo dosaženo požadovaného výkonu modelu, může uživatel znovu upravit vlastnosti a označení modelu. Model pak může být přenesen přímo do architektury cílového systému.

Rozšířené použití umělé inteligence

„Díky automatizovanému softwaru pro strojové učení mají konstruktéři a výrobní společnosti možnost samostatně využívat výhod, které přináší umělé inteligence a strojové učení, aniž by se sami museli stát datovými experty,“ říká Paiz. „Univerzálnost použití podporuje uživatele jak při počátečním vytváření modelu, tak při jeho dalším vývoji. Společnosti tak již nejsou závislé na zdrojích datových vědců a nemusí sdílet své znalosti procesů a strojů s externími partnery.“