Datele sunt generate continuu în mașini și instalații. Companiile care reușesc să transforme aceste date în inovații câștigă avantaje competitive decisive. Cu software-ul prietenos cu utilizatorul, Weidmüller pune acum la dispoziția constructorilor de mașini și a întreprinderilor de producție metode de inteligență artificială.

Pentru analiza mașinilor și a datelor de proces cu Industrial Analytics, sunt utilizate modele complexe care sunt capabile să detecteze anomalii sau chiar să prezică comportamentul viitor al mașinilor. Inteligența artificială (IA) și învățarea automată (ML) sunt utilizate pentru a descoperi relații necunoscute anterior între valori măsurate folosind caracteristici derivate din date brute.

Cunoștințe tehnice combinate necesare

Informațiile necesare sunt disponibile în aproape fiecare companie. Atunci când se elaborează modele de analiză semnificative, întreprinderile mijlocii, în special, depind în continuare de sprijinul extern al oamenilor de știință din domeniul datelor. Weidmüller a dezvoltat o soluție inovatoare prin care le permite să acționeze fără a fi nevoie de resurse de date științifice. Pentru închide cooperarea cu utilizatorul final, experții în date identifică corelațiile relevante în cadrul valorilor măsurate și formează modelul inițial. După o aplicație reușită, modelul inițial este alimentat în mod repetat cu date noi și dezvoltat în continuare pe parcursul întregului ciclu de viață al mașinii. Acest lucru crește calitatea informației în timp.

Învățarea programată

Mulți constructori de mașini și multe companii de producție nu au putut încă să utilizeze uneltele disponibile de învățare automată în mod independent, întrucât operarea lor a fost optimizată pentru activitățile bazate pe date ale experților în analiză. Companiile pot fie să-și instruiască angajații existenți plătind o sumă uriașă de bani, fie să angajeze un specialist în date. Acest lucru duce la un prag de inhibiție care încetinește în prezent răspândirea inteligenței artificiale în industrie.

O alternativă este dezvoltarea unor soluții de software favorabile utilizatorului, pe care chiar și utilizatorii fără instruire în statistică să poată să le înțeleagă și să genereze modele analitice. Unitatea operațională Industrial Analytics a Weidmüller a pus în aplicare această idee cu software-ul său de învățare automată. Numele aplicațiii în sine implică faptul că modelele sunt în mare parte dezvoltate automat.

„Aplicații similare sunt utilizate în prezent în domeniile de tehnologie financiară, bancar și marketing. Totuși, soluțiile existente nu sunt adecvate pentru ingineria mașinilor și a instalațiilor, deoarece acestea nu suportă tipurile date relevante din industria de automatizare. Acestea necesită întotdeauna o bază de date ideală”, explică dr. Carlos Paiz Gatica, Manager de produs la BU Industrial Analytics. „În plus, acestea nu oferă abilitatea de a integra cunoștințele de domeniu ale utilizatorului, care sunt esențiale pentru aplicații industriale.”

Pentru software-ul de învățare automată, experții în analiză ai Weidmüller combină datele și informația expertului în domeniu cu algoritmi pentru a genera automat modele adecvate. Următoarele etape de lucru descriu procesul de generare a modelului utilizând detectarea anomaliilor:

1. Selecția datelor referitoare la instruire

Expertul în domeniu decide ce seturi de date ar trebui utilizate pentru a învăța comportamentul normal al unei mașini sau instalații. În acest scop, este generată mai întâi o prezentare generală a datelor brute, care sprijină utilizatorul în evaluarea conținutului de informații a datelor. Pregătirea valorilor măsurate are loc complet automat.

2. Caracteristici tehnice

În cazul în care datele brute nu sunt suficiente, se pot genera informații suplimentare pe baza acestora. Utilizatorul poate folosi cunoștințele sale în domeniu pentru a crea caracteristici noi. Acestea pot descrie, de pildă, evoluția temperaturii, în loc să arate doar stările individuale. Folosind astfel de caracteristici, starea mașinii poate fi adesea mai bine evaluată decât cu datele brute.

3. Etichetarea comportamentului mașinii

Cu o etichetă, utilizatorul marchează zonele de date în care este prezent un comportament normal (verde) sau nedorit (roșu). Aceasta permite utilizatorului să crească conținutul de informație a datelor de instruire cu cunoștințele sale în domeniu. Sistemele de asistență sprijină procesul de etichetare prin evidențierea directă a unor situații similare din setul de date.

4. Modelul de instruire

Seturile de date etichetate sunt convertite în modele și instruite cu diferite metode ML. Acest proces complet automatizat are ca rezultat o serie de modele alternative, care sunt furnizate cu informații privind calitatea rezultatului, timpul de execuție și durata instruirii. Așa-numitul Grafic al scorului de anomalie reprezintă în mod direct rezultatele modelelor, astfel încât expertul poate compara direct performanța modelelor. Dacă performanța dorită a modelului nu a fost încă atinsă, utilizatorul poate să prelucreze din nou caracteristicile și etichetele modelului. Modelul poate fi apoi transferat direct în arhitectura sistemului țintă.

Extinderea aplicațiilor IA

„Prin software-ul de învățare automată, constructorii de mașini și companiile producătoare au oportunitatea de a exploata independent beneficiile inteligenței artificiale și ale învățării automate, fără a fi nevoiți să devină ei înșiși experți în date”, spune Paiz. Aplicația universală sprijină utilizatorii atât în generarea inițială a modelului, cât și în dezvoltarea ulterioară. În acest fel, companiile nu mai sunt dependente de resursele oamenilor de știință și nu trebuie să-și partajeze cunoștințele despre procese și mașini cu partenerii externi”.