Machine Learning

Selbstlernende Algorithmen zur
optimalen Umsetzung Ihres Use Cases

Durch Beobachten wird man schlau

Heute ermöglicht maschinelles Lernen, dass ein Computer durch das Beobachten großer Datenmengen automatisch Muster erkennt und Zusammenhänge „erlernt“, statt wie bisher für spezielle Aufgaben manuell und oftmals aufwändig programmiert zu werden. Dabei lernt der Computer die Daten nicht einfach nur auswendig, sondern er verallgemeinert diese, um auch bisher unbekannte Daten bewerten zu können.

Beispiele für maschinelles Lernen finden sich überall – ob bei der Übersetzungsfunktion von Google, den Produktempfehlungen bei Amazon, oder der Erkennung von Passanten beim autonomen Fahren.

Machine Learning auf einen Blick

Künstliche
Intelligenz

Muster-
erkennung

Klassifikation

Regression

Ausreißererkennung

Industrielle Prozesse, wie die Fertigung von Werkzeugen oder die Überwachung von Produktionsanlagen können durch maschinelles Lernen optimiert werden.

Bei der Fertigung von Werkzeugen ist es möglich Qualitätsparameter zu beobachten. Eine schnelle Erkennung von fehlerhaften Prozessen und Fertigungsmängeln anhand dieser Parameter ist mit der sogenannten Klassifikation möglich.

Diese Spielart des maschinellen Lernens ordnet in diesem Fall Sensordaten einer endlichen Anzahl von Klassen oder Gruppen zu und erkennt somit Ausreißer. Hierdurch lässt sich Ausschuss vermindern und somit eine Verringerung von Produktionskosten erreichen.

Predictive Maintenance

Bei der Überwachung von Produktionsanlagen liegt die Wartungsoptimierung im Fokus. Gängige Wartungspläne arbeiten nach starren Zeitabläufen, die den aktuellen Zustand der Anlagen nicht beachten. Dadurch erfolgen mitunter unnötige oder verspätete Wartungen.

Mit Hilfe von Regression können funktionale Zusammenhänge zwischen Anlagenverschleiß und Kenngrößen der Produktion wie etwa Anlagenparameter, Prozessparameter oder zusätzliche Sensorwerte gelernt werden. Damit lassen sich Aussagen über die zukünftige Verschleißentwicklung treffen, wodurch Predictive Maintenance – also die Bestimmung des optimalen Wartungszeitpunkts – möglich wird. Die Senkung von Wartungskosten und die Verhinderung von Stillständen sind die Folge.


Big Data Analytics fängt mit uns im Kleinen an

Um herauszufinden welche Trends, Muster und Zusammenhänge in Ihren Daten zu finden sind und wie Sie diese sinnvoll zur Umsetzung Ihres Use Cases verwenden können, bieten wir Ihnen als ersten Schritt einen kostenlosen und unverbindlichen Workshop, den sogenannten „Innovation Day“ an. Dazu analysieren wir Data Scientisten im Voraus des Workshops einen Auszug Ihrer Daten mit festem Blick auf Ihren Use Case. Ziel ist es, Ihnen und Ihrem Team fundierte Analyse-Ergebnisse während des Workshops vorzustellen und die Frage zu beantworten, ob und inwieweit der Informationsgehalt Ihrer Daten zur Umsetzung des Use Cases ausreicht. Sie haben dabei die Möglichkeit unser Vorgehen zu hinterfragen und die in Form von Visualisierungen vorgestellten Ergebnisse im Team zu diskutieren. Damit Ihr „Innovation Day“ ein Erfolg wird, benötigen wir neben einem repräsentativen Ausschnitt Ihrer Daten und der Beschreibung Ihres Use Cases, die Möglichkeit bei aufkommenden Fragen einen Daten- und Prozessexperten Ihres Unternehmens zu kontaktieren.

Mike Bonny, Data Scientist für Katana

Haben Sie Fragen? Wir beraten Sie gerne.

Der Datenanalysebereich Katana der USU-Gruppe verfügt über langjährige Erfahrung in der Anwendung von maschinellen Lernverfahren im industriellen Bereich. Nutzen Sie unser Wissen und unsere Lösungen zur Optimierung Ihrer Produktionsprozesse um Kosten zu senken und Qualität zu steigern.