EaSy ML – Assistance Evaluation System for Machine Learning
Problemstellung
Kostenoptimale Produktion verbunden mit hoher Prozess- und Produktqualität ist ein zentrales Versprechen der Industrie 4.0 und der damit einhergehenden Digitalisierung.
Es existieren zahlreiche Beispiele dafür, wie Verfahren des maschinellen Lernens (ML) helfen, Daten zu analysieren, neue Erkenntnisse über die Produktion zu gewinnen und die Produktion zu optimieren.
Ein oberflächliches Verständnis der Algorithmen und Verfahren reicht jedoch oft nicht aus, um sinnvolle Rückschlüsse aus den Produktionsdaten zu ziehen.
Es existieren zahlreiche Beispiele dafür, wie Verfahren des maschinellen Lernens (ML) helfen, Daten zu analysieren, neue Erkenntnisse über die Produktion zu gewinnen und die Produktion zu optimieren.
Ein oberflächliches Verständnis der Algorithmen und Verfahren reicht jedoch oft nicht aus, um sinnvolle Rückschlüsse aus den Produktionsdaten zu ziehen.
Zielsetzung
Ziel des EaSyML Projekts ist es nun, die hohen Kosten für die Produktionsoptimierung mittels maschinellem Lernen für KMU signifikant zu reduzieren, indem die Werker selbst befähigt werden, die Methoden und Algorithmen des maschinellen Lernens auf die gesammelten Daten anzuwenden.
Vorgehen
Ein Analyse-System, das die Maschinendatenerfassung der ODION GmbH ergänzt stellt dank künstlicher Intelligenz einen intelligenten Tutor bereit, der den Werker bei der Auswahl und dem Anwenden von maschinellen Lernmethoden und somit der Analyse von Produktionsdaten unterstützt.
Der Werker – als Experte der Produktion – kann somit leicht interessante Fragestellungen und Szenarien ermitteln und die gelieferten Analyseergebnisse auf ihre Plausibilität prüfen. Erkenntnisse können dann mittels des KI-Tutors in eine weiterführende, differenziertere oder gänzlich andere Fragestellung oder Auswertung einfließen.
Das System soll so jedem KMU die Möglichkeit bieten, das Knowhow der Werker über die eigene Fertigung und Maschinen dahingehend zu nutzen, dass dieses Wissen verwendet wird, um selbst schwierige und aufgrund der komplexen Datenlast für Menschen uneinsichtige Relationen und Sachverhalte innerhalb der Produktion aufzudecken.
Der Werker – als Experte der Produktion – kann somit leicht interessante Fragestellungen und Szenarien ermitteln und die gelieferten Analyseergebnisse auf ihre Plausibilität prüfen. Erkenntnisse können dann mittels des KI-Tutors in eine weiterführende, differenziertere oder gänzlich andere Fragestellung oder Auswertung einfließen.
Das System soll so jedem KMU die Möglichkeit bieten, das Knowhow der Werker über die eigene Fertigung und Maschinen dahingehend zu nutzen, dass dieses Wissen verwendet wird, um selbst schwierige und aufgrund der komplexen Datenlast für Menschen uneinsichtige Relationen und Sachverhalte innerhalb der Produktion aufzudecken.
Verwertungskonzept:
Die innerhalb des Projektes umgesetzten ML Methodiken basierend auf den durch das ZeMA entwickelten MoSes-Pro Algorithmen, unterstützt durch die Assistenz eines intelligenten tutoriellen Systems, können auf verschiedene Szenarien innerhalb der Produktion angewandt werden. Am Projekt teilnehmende KMU können hier aktiv Einfluss auf die Entscheidung nehmen, welche Szenarien bzw. welche für sie wichtige oder dringende Fragestellungen berachtet werden sollen.
Bisher wurden folgende Anwendungsszenarien identifiziert:
• Komplexe Zusammenhänge in der Produktion identifizieren
• Anomalieerkennung
• Sensorselbstüberwachung
• Vorrausschauende Wartung
• Vorhersage von Produktqualität
Ansprechpartner: Tizian Schneider
Projektleitung: Prof. Dr. Andreas Schütze
Laufzeit: 01.03.2019 – 28.02.2021
Category: Data Engineering/Smarte Sensorik
