Smarte Datenanalyse hilft Machine-Learning-Modelle schnell zu erzeugen

Eine elektrifizierte, vernetzte und automatisierte Produktion erweist sich als fester Bestandteil der Dekadenstrategien in vielen industriellen Bereichen. Phoenix Contact sieht sich ebenfalls in der Verantwortung, CO2-Emissionen zu reduzieren und so einen Beitrag für eine klimafreundliche Welt zu leisten. Ziel des Unternehmens ist die All Electric Society. Das bedeutet eine Welt, die ihren Energiebedarf nur noch aus erneuerbaren Energien deckt, und in der elektrischer Strom der zentrale Energieträger ist. Gleichzeitig müssen die Wettbewerbsfähigkeit und Produktivität der Industrien fortbestehen, damit sich auch in Zukunft Wachstum und unternehmerische Sicherheit erreichen lassen.

Nur drei Prozent der anfallenden Daten erforderlich

Zur möglichst einfachen und bedarfsgerechten Umsetzung der notwendigen digitalen Transformation hat Phoenix Contact mit Digital Factory now ein Konzept entwickelt, das skalierbare Ready-to-use-Lösungen für die sichere Datensammlung und deren Transport sowie die Datenverarbeitung und -nutzung umfasst. Ein Augenmerk wird dabei auf die parallele Realisierung von Nachhaltigkeit und Produktivitätssteigerungen gelegt. Dieses Ziel bedingt einen gesamtheitlichen Ansatz, sodass sich Ressourcen optimal einsetzen lassen und die Fertigung auf die Herausforderungen der nächsten Jahrzehnte vorbereitet ist.

Oft wird erklärt, dass Daten die neue Währung einer digitalisierten Welt sind. Doch was besagt diese Aussage für Bestandsanlagen? Verlieren sie ohne eine performante Datenschnittstelle ihre Attraktivität, weil sich Datentransparenz lediglich durch tiefgreifende Umrüstmaßnahmen oder schlimmstenfalls eine Neuanschaffung umsetzen lässt? Die Erfahrungen aus der digitalen Fabrik am Standort Bad Pyrmont belegen, dass nur rund drei Prozent der Daten erforderlich sind, um bereits einen Mehrwert für die Instandhaltung sowie die Optimierung der Produktion zu schaffen. Den kleinsten gemeinsamen Nenner an Informationen bildet häufig der Energieverbrauch, der schon viel Wissen über die Anlage enthält. Denn die Darstellung des Verbrauchs der einzelnen Medien im Zeitablauf gibt einen guten Einblick hinsichtlich der Anlageneffektivität. Aber wie werden die Daten insbesondere in bestehenden Anlagen gesammelt? Zu diesem Zweck stellt Phoenix Contact sowohl mit Einzelprodukten ebenso wie Ready-to-use-Lösungen ein flexibles Datenerfassungssystem zur Verfügung. Aufgrund einer dynamischen und modularen Architektur unterstützt das System den Einzug neuer Technologien in die Werkshallen. Die aufgenommenen Daten fungieren anschließend als Repräsentation des Anlagenverhaltens.  

Eine manuelle Analyse der Daten wäre zeitaufwendig und ließe sich schlecht für komplette Fertigungsprozesse skalieren. Als Lösung bietet sich die Erstellung eines Datenmodells an, welches sich durch künstliche Intelligenz auswerten lässt. Durch das Trainieren auf Basis der Energiedaten kann Machine Learning (ML) hier zu einem besseren Anlagenverständnis führen. Dabei lernt das Modell aus den Vergangenheitsdaten, welche Merkmale für die Anlage charakteristisch sind, und verallgemeinert dieses Wissen nachfolgend. Als wichtig zeigt sich, dass das Modell im laufenden Betrieb angepasst und erweitert werden kann, sodass sich neue Varianten oder veränderte Verhältnisse einbeziehen lassen.  

Die Generierung von Machine-Learning-Modellen birgt großes Potenzial für eine automatisierte Produktionsoptimierung, ist jedoch ebenfalls durch einige Hürden gekennzeichnet und setzt zumeist tiefes Fachwissen voraus. Vor diesem Hintergrund hat man mit MLnext ein Lösungsportfolio für das Erstellen und das industrielle Verwenden von Machine Learning entwickelt. Unabhängig vom individuellen Prozess- und Fachwissen soll jeder Nutzer MLnext einsetzen und von dem Konzept profitieren können. Die einzelnen Komponenten der Lösung werden bereits in der Elektronikfertigung von Phoenix Contact genutzt. Dort haben sie in einer Produktivitätssteigerung von zehn Prozent resultiert. Das Konzept fokussiert sich auf die beschleunigten Realisierungszyklen von Lösungen (Idea-to-cash). Als Grundlage dient die Open-Source-Programmierbibliothek Framework, die kontinuierlich neue Erkenntnisse aus der Forschung in die Zeitreihenanalyse einfließen lässt.  

MLnext Execution stellt einen weiteren Bestandteil des Lösungsportfolios dar. Hierbei handelt es sich um eine plattformunabhängige Software zur Ausführung von Machine-Learning-Modellen. Sie kann in der Steuerungsebene, einem IT-System oder einer Cloud verwendet werden. Der Datenfluss lässt sich auf Basis einer Konfigurationsdatei zur Laufzeit adaptieren. Eine Weboberfläche gibt einen Überblick zu allen Modellen und deren Ausführungszeiten. Neue Lösungen kann der User direkt auf der gleichen Plattform entwickeln, ohne die anderen Prozesse oder Maschinen zu beeinflussen. Anpassungen sind flexibel durch die Anwender selbst, ihre Partner oder Phoenix Contact möglich.

Nachdem die Ausführung sichergestellt ist, wird eine Lösung zur Erzeugung der Machine-Learning-Modelle benötigt. Zu diesem Zweck steht die Softwarelösung MLnext Creation zur Verfügung. Mit dem Tool werden Modelle generiert, und zwar rein auf der Grundlage von Konfigurationsdateien. Der User muss keine Hochsprachenkenntnisse haben. Eine automatische Programmierung mit standardisiertem Reporting vereinfacht den Modellvergleich dabei erheblich. Basierend auf den Berichten lässt sich die Konfigurationsdatei nun adaptieren. Darüber hinaus ermöglicht das Add-on Automate einen vollständig automatischen Einsatz der Lösung, völlig unabhängig vom jeweiligen Know-how über Datenwissenschaften. Das Add-on führt die Optimierung der Modelle selbständig durch und verkürzt so die Suchzeit im Vergleich zur manuellen Suche.  

Mit der Softwarelösung lassen sich Prozesse folglich eigenständig oder durch Partnerunternehmen verbessern. Die Automatisierung vieler Arbeitsschritte resultiert in einer effektiveren und schnelleren Initiierung der Abläufe. Im Bereich der Elektronikfertigung erweist sich die Lösung als Türöffner für den maschinennahen Einsatz von künstlicher Intelligenz (KI). Mit der Softwarelösung lassen sich Komponentenzustände einfacher erfassen, was in Kombination mit einer anschließenden Datenanalyse eine zustandsorientierte Instandhaltung (Predictive Maintenance) ermöglicht. Die Arbeit erfolgt somit ressourcenschonender und effizienter.