Der ASE-Kongress vermittelt wichtiges Grundlagenwissen und anwendungsbezogene Spezialkenntnisse für die Zielgruppe Softwareentwickler in Maschinenbau und Automation. Er gibt Impulse für den Einsatz neuer Technologien, Methoden und Prozesse. Und er ermöglicht den Knowhow-Austausch zwischen verschiedenen Branchen und Anwendungsfeldern.
Auf Grund der aktuellen Lage findet der vom Fachmagazin ELEKTRONKIPRAXIS und der TU München ausgerichtete ASE-Kongress als virtuelle Veranstaltung statt.
SSV CEO Klaus-Dieter Walter erläutert in seinem Seminar einen Engineering-Prozess, um eine auf Machine Learning basierende Condition-Monitoring-Anwendung zu entwickeln.
Zielsetzung und Vorgehensweise klingen zunächst recht einfach: Man installiert zusätzliche Sensoren an einer Maschine oder in einer Produktionsumgebung, um in Zukunft mittels künstlicher Intelligenz (KI) den aktuellen Maschinen- bzw. Anlagenzustand so genau wie möglich zu bestimmen. Damit sollen möglichst vollständig automatisierte Entscheidungen entstehen, um ungeplante Maschinenausfälle zu verhindern.
Also sammelt und speichert man mit Hilfe der neuen Sensoren zunächst einmal ein paar Daten, um so etwas wie „Big Data“ zu schaffen. Anschließend wird ein Algorithmus aus dem Umfeld der künstlichen Intelligenz eingesetzt, um die Sensordaten auszuwerten. Als Ergebnis werden weitreichende Erkenntnisse und Effizienzsteigerungen erwartet, von denen man bisher nicht einmal zu träumen wagte – soweit zumindest die Theorie.
In der Praxis läuft gerade einmal der erste Schritt (Sensoren installieren) noch relativ problemlos ab. In der Regel werden die Daten dann vor Ort oder mit Hilfe einer IoT-Cloud visualisiert. Danach kommen die meisten Vorhaben schon ins Stocken. Man versucht vielleicht noch auf einem PC oder in einer Cloud die Sensordaten an einen Machine-Learning-Algorithmus zu übergeben, kommt aber nur sehr selten zu einem verwertbaren Ergebnis. Manchmal wird dann noch ein externer Data Scientist für ein paar Tage angeheuert, der einem klarmacht, dass die Sensordaten eigentlich nicht zur Aufgabe passen oder umgekehrt.
Genau hier soll das Kompaktseminar ansetzen. Im ersten Teil wird zunächst ein Engineering-Prozess für Condition-Monitoring-Softsensoren als Einführung vorgestellt. Dabei lernen die Teilnehmer das Supervised Machine Learning und die Anwendung dieses KI-Bausteins auf an Maschinen gewonnene Sensordaten kennen. Im Rahmen der Einführung kommen des Weiteren die wichtigsten Werkzeuge zur Sprache, um sowohl an der Edge als auch in der Cloud das maschinelle Lernen aus Sensordaten einzusetzen und per Klassifizierung und Regression verständliche und hilfreiche Ergebnisse für Condition-Monitoring-Anwendungen zu erzielen.
Im zweiten Teil des Kompaktseminars kann jeder Teilnehmer unter fachlicher Anleitung auf einem eigenen Notebook den zuvor vorgestellten Engineering-Prozess ausprobieren. Dafür werden am Demonstrator des Seminarleiters gemeinsam Sensordaten an Antriebselementen erfasst und in eine Datei geschrieben. Dann wird die Datei in eine Cloud hochgeladen. Dort kann jeder Teilnehmer mit dem eigenen Notebook per Webbrowser aus den Daten ein Machine-Learning-Modell erzeugen.
Mit diesem Modell werden anschließend auf dem Demonstrator aus in Echtzeit gewonnenen Sensordatenvektoren verschiedene Antriebszustände automatisch klassifiziert und die Ergebnisse gemeinsam analysiert sowie diskutiert. Final wird das Zusammenspiel der einzelnen Bausteine an einer realen Condition-Monitoring-Anwendung aus der Praxis noch einmal abschließend erläutert. Dabei kommen auch die Unterschiede des Machine-Learning-Einsatzes in der Cloud und an der Edge zur Sprache.
Zunächst einmal soll das ganze Thema weitestgehend wissenschaftsfrei, aber sehr problemorientiert und detailliert, mit den Augen eines Praktikers aus dem Umfeld der Automatisierung betrachtet werden (Condition Monitoring per Machine Learning mit Sensoren ist nicht immer gleich Rocket Science).
Anschließend wird verdeutlicht, wie das gesamte Zusammenspiel der einzelnen Bausteine funktioniert (Sensor, Trainings- und Testdaten für das Supervised Machine Learning, die Modellbildung und Modellevaluierung, der Einsatz in der Inferenzmaschine). Mit Hilfe des zweiten Seminarteils kann der Teilnehmer im Rahmen des interaktiven Hands-on das alles gleich ausprobieren, damit die Vorgehensweise einprägsam klar wird.
Der virtuelle ASE-Kongress findet vom 16. bis 18. November 2020 statt.
Hier finden Sie alle Informationen zum ASE-Kongress 2020 und zur Anmeldung.
SSV SOFTWARE SYSTEMS
Dünenweg 5
30419 Hannover
Fon: +49(0)511 · 40 000-0
Fax: +49(0)511 · 40 000-40
Impressum · Datenschutz · AGB
© 2024 SSV SOFTWARE SYSTEMS GmbH. Alle Rechte vorbehalten.
ISO 9001:2015
