<img height="1" width="1" style="display:none;" alt="" src="https://dc.ads.linkedin.com/collect/?pid=412841&amp;fmt=gif">
Machine Learning, Predictive Maintenance & Co. einfach erklärt

Machine Learning, Predictive Maintenance & Co. einfach erklärt

In Zeiten von voranschreitender Digitalisierung sind Begriffe wie Artificial Intelligence, Big Data, Machine Learning und Predictive Maintenance allgegenwärtig. Trotzdem fehlt häufig das Verständnis, was diese Begriffe eigentlich bedeuten. Dabei gibt es große Unterschiede zwischen diesen Begriffen, die Entscheidungsträger unbedingt wissen sollten, um in der voranschreitenden Digitalisierungswelle den Überblick zu behalten. Aus diesem Grund möchten wir im folgenden Blog Beitrag die Unterschiede der Begriffe definieren, und erklären, wie diese Begriffe das zukünftige Betriebsgeschehen beeinflussen.

 

Artificial intelligence und Machine Learning

Artifical Intelligence (AI) oder auf deutsch "Künstliche Intelligenz (KI)" ist etwas, was viele aus alten Science Fiction Filmen kennen.  Der Droide C3PO aus Star Wars" oder der Computer HAL aus „2001: Odyssee im Weltraum" sind klassische Beispiele für Künstliche Intelligenz, wie wir sie uns vorstellen. Roboter oder Computer, die selbstständig denken und handeln, und dabei sehr "menschlich" wirken. 

In der Realität sieht Künstliche Intelligenz aber ganz anders aus. KI wird heutzutage in vielen Produkten verwendet und ist dabei fast nicht mehr wahrnehmbar, bzw. schwierig für den normalen Benutzer zu erkennen. Klassisches Beispiel heutzutage ist die personalisierte Werbung im Internet, bei der komplexe Algorithmen selbstständig das Nutzerverhalten analysieren und auf Grundlage dieser Daten Empfehlungen aussprechen. Das bedeutet, KI hat kein eigenes Bewusstsein oder eine eigene Intelligenz wie in Science Fiction Filmen dargestellt, sondern vielmehr ist KI für die Lösung komplexer Fragestellungen zuständig, indem es einen Lösungsweg vorher selbstständig entwickelt. Hierbei spricht man vom sogenannten "Machine Learning", einem großen Teilbereich der Künstlichen Intelligenz.

Wenn man heutzutage von Artifical Intelligence in den Medien hört, ist damit nämlich meistens ein Machine Learning Algorithmus gemeint. Wie man in der Abbildung unten sieht, ist Machine Learning ein großer Teilbereich der Artificial Intelligence und wird daher häufig mit AI gleichgesetzt. Wie genau aber funktioniert so ein Machine Learning Algorithmus?

 

 

artificial-intelligence-machine-Learning-unterschiede-für-Predictive-maintenance

Wie Funktioniert Machine Learning?

Es gibt unterschiedliche Machine Learning Algorithmen, die anhand von riesigen Datenmengen Analysen durchführen und sortierte Ergebnisse liefern können. Hierbei handelt es sich aber nicht um eine einfache reduzierte Darstellung der Ergebnisse, sondern um ein sich stetig weiterentwickelndes System. So wird z.B. ein Machine Learning Algorithmus mit einem Datensatz trainiert, in dem die Lösungen hinterlegt sind. Wir nehmen hier ein Beispiel aus der Bilderkennung: es werden mehrere Millionen per Hand geschriebene Zahlen als Bilder an den Machine Learning Algorithmus weitergegeben. Es läuft ein Bildererkennungsprogramm ab und schaut sich die einzelnen Bilder an. Nach jedem einzelnen Anschauen wird zu jedem Bild eine Prognose, welche Zahlen dort abgebildet sein könnten, abgegeben. Ist die Schätzung des Programms richtig, so wird ein positives Feedback an das Machine Learning System zurückgegeben. Ist die Schätzung falsch, wird ein negatives Feedback zurückgegeben. Beim nächsten Durchlauf des Algorithmus wird der Fehler in der gleichen Form nicht nochmal auftreten, weil das Machine Learning System gelernt hat. Bei den ersten Durchläufen wird es aber zu anderen Fehlern kommen, die aber vom System festgestellt werden und beim nächsten Durchlauf nicht auftreten. So wird nach einigen hundert Durchläufen, jede Zahl richtig prognostiziert und das Machine Learning System ist trainiert. Dieses trainierte System kann nun auch mit anderen Datensätzen arbeiten und wird mit hoher Wahrscheinlichkeit die richtigen Zahlen erkennen. Wie gut das Machine Learning System auf die neun Datensätze reagiert, hängt immer vom Trainingsdatensatz ab. Hatte dieser große Übereinstimmungen mit dem reellen Datensatz, so werden die Zahlen fehlerfrei erkannt. Wenn die Trainingsdaten nur eine eingeschreckte Variabilität aufweisen, muss das Machine Learning System noch weiter mit mehr Daten trainiert werden. Daten bilden also die Grundlage für ein erfolgreiches Machine Learning. 

Machine-Learning-Algorithmus-Beispiel-smart-maintenance

Big Data und IoT als Basis für Predictive Maintenance

Wie wichtig Daten für Machine Learning ist, zeigt das vorangegangene Beispiel. Häufig fällt in diesem Zusammenhang auch der Begriff „Big Data. Wie der Name schon sagt, beschreibt Big Data große Datenmengen. Dabei sind aber nicht Daten gemeint, die in strukturierter Form vorliegen, wie zum Beispiel Kundendaten die in Tabellen gespeichert werden. Vielmehr geht es um unstrukturierte Daten, die sich schnell ändern und zu komplex sind, dass sie von Menschen manuell erfasst werden können. Beispiel dafür sind zum Beispiel E-Mails, Social Media Beiträge, Fotos, aber auch Sensordaten von Anlagen oder Messdaten über die Feuchtigkeit in Räumen. 

All diese Daten liefern heutzutage wertvolle Informationen, die dazu beitragen, dass wichtige Entscheidungen für die Zukunft des eigenen Unternehmens getroffen werden können. Laut einer Studie von Capgemini aus dem Jahr 2015, sind Unternehmen die effektiv Daten sammeln, nutzen und auswerten dreimal so erfolgreich wie Unternehmen die keine Datenstrategie haben (Capgemini, 2015).

Im Kontext von Big Data fällt häufig auch der Begriff IoT. IoT ist die Kurzform für Internet of Things, und beschreibt die Vernetzung von Gegenständen untereinander, wie zum Beispiel Produktionsanlagen. Der große Vorteil dabei ist, dass ganze Prozesse und Produktionsketten somit automatisiert werden können. Anlagen können dabei vollumfänglich und ortsungebunden überwacht werden und eine Wartung der Anlagen kann optimal vorausschauend geplant werden (predictive maintenance). Auf Grundlage dieser Daten können entsprechende Gegenmaßnahmen eingeleitet werden, um die Ausfallzeit möglichst gering zu halten. Auch Ersatzteile, sowie Techniker können bereits vor und kurz nach dem Eintreten des Defekts eingeplant werden.

Wie funktioniert Predictive Maintenance?

Vorausschauende Wartung ist einfacher als Sie denken! Grundlage sind geeignete Sensoren, die an den Maschinen angebracht werden müssen, sowie eine Speicherung- und Analyseplattform, die für die Speicherung und Auswertung der Daten zuständig ist. Die Sensoren der Maschinen senden Daten an die Speicherplattform, z.B. eine Cloud. Hier greift die Analyseplattform die Daten ab, und stellt sie visuell in einem Dashboard dar, sodass der Entscheidungsträger eine Übersicht über alle wichtigen Daten hat. Für eine 360° Sicht auf das Unternehmen, können noch weitere Daten, wie z.B. Daten aus dem ERP-System oder Open-Source Daten wie Wetterdaten ebenfalls in die Cloud geladen werden. Je schneller die Erfassung und Speicherung durchlaufen wird, desto genauer kann ein Ausfall der Anlage vorhergesagt werden. Da bei der Erfassung aller Sensordaten einer Maschine und der zusätzlichen Erfassung von weiteren Daten, wie z.B. Unternehmensdaten und Wetterinformationen eine sehr große Datenmenge entsteht, ist es für den Menschen nicht mehr manuell auswertbar. Aus diesem Grund werden Machine Learning Algorithmen eingesetzt, die anhand der historischen Daten einer Anlage zukünftige Defekte vorhersagen können. Diese Künstliche Intelligenz würde somit z.B. mit Vibrationssensoren an den Lagern eine Maschine die Erschütterungen erfassen. Stellt der Algorithmus erstmals einen untypischen Verlauf der Erschütterungen fest, zum Beispiel durch eine Verschleiß bestimmter Bauteile, weist dies auf einen möglichen auftretenden Defekt hin. Bestätigt sich dieser Verdacht, so lernt der Machine Learning Algorithmus und leitet bei einem ähnlichen Ereignis in der Zukunft die entsprechenden Maßnahmen ein, die den Ausfall vermeiden oder so kurz wie möglich halten. 

Die einfache Lösung: Der bimanu Hub - Smart Maintenacne

Der Einsatz von KI und Machine Learning Algorithmen scheint auf den ersten Blick ein Buch mit sieben Siegel. Mit den richtigen Partnern an Ihrer Seite ist der Einsatz von neuen Technologien aber eine Aufgabe, die Ihnen den entscheidenen Wettbewerbsvorteil gibt!

Der bimanu Hub – Smart Maintenance wurde zusammen mit starken Partnern aus der Industrie entwickelt und ist eine Lösung, die die Datenintegration- und Analyse in einer Plattform vereint. Die Implementierung der Sensoren und Software ist dabei 3x schneller als bei herkömmlichen Anbietern. So können Sie Ihre Unternehmensdaten und technischen Maschinendaten vollumfänglich erfassen und somit wichtige Informationen generieren, die Ihnen helfen in Zukunft vorausschauender zu planen und Kosten zu sparen.

 

Bimanu Hub

 

Zudem entsteht in Kooperation mit dem Fraunhofer Institut und unseren Partnern Wichelhaus und RNA ein zukunftsträchtiges Projekt, mit dem Ziel den bimanu Hub - Smart Maintenance in Zukunft um den Aspekt Machine Learning zu erweitern. Dadurch können Themen wie Predictive Maintenance und andere Geschäftsmodelle für Sie umgesetzt werden.

Seien Sie gespannt und freuen Sie sich auf weitere Informationen zu diesem Projekt in den nächsten Blogbeiträgen.

Mehr Informationen zu unserem Produkt gibt es auch unter bimanu Hub - Smart Maintenance.

 

Weitere Informationen erhalten Sie auch in unserem regelmäßig erscheinenden Newsletter. 

Jetzt anmelden