Learning by doing – wie Machine Learning erfolgreich im Maschinen- und Anlagenbau eingesetzt werden kann

von Markus Günther

Die Entwicklungen im Bereich Machine Learning nehmen rasant zu und sind aus der Welt der Konsumenten bereits in den industriellen Sektor und auch in den Maschinen- und Anlagenbau hinübergesprungen. Dank Machine Learning sind IT-Systeme in der Lage, mit Hilfe von Algorithmen selbstständig Lösungen für neue, unbekannte Probleme zu finden. Dafür erkennt eine auf Machine-Learning beruhende Software entsprechende Muster und Gesetzmäßigkeiten in Lerndaten. Machine Learning sorgt so dafür, dass IT immer stärker zum maßgeblichen Innovationstreiber im Maschinenbau wird.

Machine Learning im Maschinenbau

Die Möglichkeiten von Machine Learning im Maschinenbau sind vielfältig, und ein Großteil der Anwendungen ist heute noch gar nicht absehbar. Dennoch gibt es bereits viele naheliegende praktische Anwendungsgebiete und Lösungen. Sie ermöglichen den Unternehmen im Maschinenbau einerseits einen schnellen Einstieg, andererseits aber auch einen weiteren Ausbau beim Thema selbstlernende Systeme.

Häufig wird das Thema Machine Learning im Maschinen- und Anlagenbau jedoch mit intelligenten physischen Maschinen und Anlagen und deren Lernen gleichgesetzt. Dabei gibt es hier viele Anwendungsmöglichkeiten, um auch interne Prozesse zu optimieren. Das bietet sich häufig an, da die benötigten Vergangenheitsdaten für diesen Zweck in den Unternehmen oft bereits vorhanden sind. Ein Beispiel sind Verspätungen von Zukaufteilen. Hier kann mit Hilfe von Machine Learning schnell auf Basis vorhandener Daten eine Verbesserung der Prozesse erreicht werden, indem die Lieferzeit von Zukaufteilen wesentlich genauer prognostiziert wird und in die Fertigungsplanung miteinfließen kann.

Machine Learning in der Praxis – Drei Lernmethoden

Die drei Lernmethoden des Machine Learning umfassen überwachtes, unüberwachtes und bestärkendes Lernen. Anhand von Predictive Mainteanance sollen diese drei Methoden im Folgenden die Art und Weise, wie damit Störungen im Maschinen- und Anlagenbau erkannt werden, näher erläutert werden. Die drei Ansätze sollen verdeutlichen, wie das System erlernen kann, wann eine Störung wahrscheinlich ist.

Überwachtes Lernen

Beim überwachten Lernen wird das Modell mit Beispielen aus Ein- und Ausgabewerten trainiert. Für das Beispiel Störungsanalyse würde man beispielhafte Sensordaten zusammen mit Informationen über anstehende Störungen in das System einspeisen. Das Modell lernt dann den Zusammenhang zwischen Sensordaten und Störung. Man nennt diesen Lernvorgang überwacht, da für jede Eingabe die richtige Ausgabe bekannt ist und man das Modell bei falschen Vorhersagen korrigieren kann.

Unüberwachtes Lernen

Beim unüberwachten Lernen lernt das System ebenfalls aus Beispieldaten; allerdings enthalten die Beispieldaten keine bekannten Ausgabedaten. Stattdessen wird anhand der Beispiele gelernt, wie „typische“ Daten oder Datengruppen aussehen. Beim Beispiel der Sensordaten würde das Modell lernen, wie typische Sensordaten der Maschine aussehen. Bei Abweichungen von diesen Daten würde es auf Fehlerzustände schließen. Bei einer anderen Herangehensweise an das unüberwachte Lernen werden die Daten automatisch in Gruppen eingeteilt. Solche Gruppen können zum Beispiel sein: „Maschine produziert“, „Maschine in Störung“, „Maschine in Stillstand“.

Bestärkendes Lernen

Beim bestärkenden Lernen werden Modelle durch Belohnung und Bestrafung trainiert. Jede Lösung oder jeder Teilschritt einer Lösung wird dabei typischerweise mit einer Punktzahl bewertet. Belohnung wird durch den Anstieg der Punktzahl ausgedrückt, Bestrafung durch deren Verringerung. Das Ziel ist die maximal mögliche Punktzahl. Während des Trainings werden durch Versuch und Irrtum immer neue Lösungsvorschläge erzeugt und zunehmend verfeinert, um die Punktzahl stetig zu verbessern. Die Herausforderungen beim bestärkenden Lernen: Es müssen geeignete Belohnungsmechanismen gefunden werden.

Chancen und Herausforderungen

Vielen Unternehmen im Maschinen- und Anlagenbau fällt es zurzeit noch schwer, einzuschätzen, wie groß die Chancen für die eigenen Unternehmensprozesse sind und wo das meiste Potenzial liegt. Genau solche wichtigen Teilaspekte kann eine strukturierte Nutzen-Chancen-Risiko-Analyse aufdecken und in einen betriebswirtschaftlichen Kontext setzen. So sollten vor dem Projektbeginn folgende Fragen beantwortet werden:

  • Welches Anwendungsszenario bietet sich für mein Unternehmen zum Einstieg an?
  • Sind ausreichend Daten verfügbar?
  • Wie kann das notwendige Wissen in Bezug auf Machine Learning im eigenen Unternehmen sukzessive aufgebaut werden?
  • Welche Machine-Learning-Techniken und -Algorithmen sind für das Unternehmen relevant?
  • Wie lassen sich Unternehmensrisiken durch die Ergebnisse der Machine-Learning-Algorithmen vermeiden — oder kann man ihnen wenigstens frühzeitig entgegensteuern?

Der jeweilige betriebswirtschaftliche Nutzen sollte sich in einem konkreten Szenario klar beschreiben und quantifizieren lassen.

Fazit

Häufig herrscht in Maschinenbau-Unternehmen noch Verunsicherung, ob Machine Learning überhaupt ein relevantes Thema ist. Jedoch können selbstlernende Systeme im Maschinen- und Anlagenbau zu einer verbesserten Prozessqualität und hoher Termintreue führen. Verschiedene Modelle können entsprechend der Unternehmensanforderungen und -spezifikationen eingesetzt werden, um bestmögliche Ergebnisse zu erzielen. Zudem bieten die vorhandenen Daten großes Potenzial, um die internen Prozesse zu verbessern und Plandaten zu präzisieren.

Maschinelles Lernen bietet im Maschinen- und Anlagenbau viele erfolgsversprechende Möglichkeiten. Wer sich heute noch nicht auf diesen Weg macht und sich mit Machine Learning beschäftigt, wird noch stärker abgehängt sein, wenn in einigen Jahren die nächsten Stufen erreicht sein werden.

Für weitere Informationen laden Sie sich den Quick Guide Machine Learning hier herunter.

 



Diese Beiträge könnten Sie auch interessieren

Digitalisierung kennt keine Konjunktur!

Lesen

Digitalisierung in der Fertigung trotz mangelnder Datenqualität – das geht!

Lesen

Predictive Maintenance – wirklich sinnvoll?

Lesen

Über den Autor

  • Markus Günther

    Markus Günther arbeitet seit 1999 bei der INFORM und beschäftigt sich hauptsächlich mit der Weiterentwicklung von Lösungen für den Bereich Advanced Planning & Scheduling sowie Produktionsplanung.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben