EaSy ML – Assistance Evaluation System for Machine Learning
problématique
Une production optimale en termes de coûts associée à une qualité élevée des processus et des produits est une promesse centrale de l'industrie 4.0 et de la numérisation qui l'accompagne.
Il existe de nombreux exemples de la façon dont les techniques d'apprentissage automatique (ML) aident à analyser les données, à acquérir de nouvelles connaissances sur la production et à optimiser la production.
Cependant, une compréhension superficielle des algorithmes et des procédures n'est souvent pas suffisante pour tirer des conclusions significatives des données de production.
Il existe de nombreux exemples de la façon dont les techniques d'apprentissage automatique (ML) aident à analyser les données, à acquérir de nouvelles connaissances sur la production et à optimiser la production.
Cependant, une compréhension superficielle des algorithmes et des procédures n'est souvent pas suffisante pour tirer des conclusions significatives des données de production.
Objectif
L'objectif du projet EaSyML est maintenant de réduire de manière significative le coût élevé de l'optimisation de la production par le machine learning pour les PME en permettant aux opérateurs eux-mêmes d'appliquer les méthodes et algorithmes de machine learning aux données collectées.
Procédure à suivre
Grâce à l'intelligence artificielle, un système d'analyse qui complète l'acquisition de données machine d'ODION GmbH fournit un tuteur intelligent qui aide l'ouvrier à choisir et à appliquer des méthodes d'apprentissage machine et donc à analyser les données de production.
L’opérateur, en tant qu’expert de la production, peut ainsi facilement identifier des questions et des scénarios intéressants et vérifier la plausibilité des résultats d’analyse fournis. Les connaissances peuvent ensuite être intégrées dans une question ou une évaluation plus approfondie, plus nuancée ou complètement différente à l'aide du tuteur d'IA.
Le système doit ainsi permettre à chaque PME d'utiliser le savoir-faire des ouvriers en matière de production et de machines afin d'utiliser ce savoir-faire pour découvrir des relations et des situations de production difficiles et incompréhensibles pour l'homme en raison de la charge de données complexe.
L’opérateur, en tant qu’expert de la production, peut ainsi facilement identifier des questions et des scénarios intéressants et vérifier la plausibilité des résultats d’analyse fournis. Les connaissances peuvent ensuite être intégrées dans une question ou une évaluation plus approfondie, plus nuancée ou complètement différente à l'aide du tuteur d'IA.
Le système doit ainsi permettre à chaque PME d'utiliser le savoir-faire des ouvriers en matière de production et de machines afin d'utiliser ce savoir-faire pour découvrir des relations et des situations de production difficiles et incompréhensibles pour l'homme en raison de la charge de données complexe.
Concept de valorisation:
Les méthodologies ML mises en œuvre dans le cadre du projet, basées sur les algorithmes MoSes-Pro développés par ZeMA et soutenues par l'assistance d'un système de tutoriels intelligents, peuvent être appliquées à différents scénarios au sein de la production. Les PME participant au projet peuvent influencer activement la décision quant aux scénarios à examiner ou aux questions importantes ou urgentes pour elles.
Jusqu'à présent, les scénarios d'application suivants ont été identifiés:
Identifier les relations complexes dans la production
• Détection des anomalies
• Autosurveillance du capteur
• Maintenance prédictive
• Prévision de la qualité des produits
Personne à contacter: Titian Schneider
Direction du projet: Prof. Dr. Andreas Schütze
Durée: 01.03.2019 – 28.02.2021
Catégorie: Détection intelligente multimodale
FR 
DE 
EN 
