Industrielles Glossar

Die Machine Learning (ML), oder Automatisches Lernen, ist ein grundlegender Unterbereich der’Künstliche Intelligenz (KI). Seine Unterscheidung liegt in seinem Ansatz: Anstatt explizit mit bestimmten Regeln programmiert zu werden, um ein Problem zu lösen, verwendet Machine Learning Algorithmen, die lernen direkt aus den Daten um Aufgaben zu erfüllen, Vorhersagen zu machen oder Entscheidungen zu treffen.

Vertiefte Definition : Machine Learning ist die Fähigkeit von Computersystemen, sich durch Erfahrung (Daten) iterativ zu verbessern. Es beruht auf komplexen statistischen Modellen, die verborgene Muster im Big Data (gesammelt von der’IoT) und passen ihre eigenen Parameter (das Lernen) an, um ihre Leistung zu verfeinern. In der Industrie ist ML die Technologie, die es Maschinen ermöglicht, intelligent zu werden, sich an Prozessvariationen anzupassen und Abläufe ohne ständiges menschliches Eingreifen zu optimieren. Es ist der Motor für die Industrielle Digitalisierung.

Die drei Arten des Lernens und ihre industriellen Anwendungen

ML ist in mehrere Algorithmenfamilien unterteilt, die jeweils Schlüsselanwendungen für die’Operative Exzellenz :

A. Beaufsichtigtes Lernen

• Prinzip : Das Modell lernt aus einem Datensatz getaggt (jede Eingabe wird mit der richtigen Ausgabe verknüpft).
• Anwendungen :
  • Automatisierte Qualitätskontrolle : Das Modell wird mit Tausenden von Bildern von “guten” und “fehlerhaften” Produkten trainiert (aus der Machine Vision), um zu lernen, wie man Produkte in Echtzeit auf der Produktionslinie klassifiziert.
  • Vorausschauende Wartung : Das Modell lernt, Sensordaten zu korrelieren (IoT) (Vibration, Temperatur) mit historischen Ausfallereignissen, um die Wahrscheinlichkeit eines zukünftigen Ausfalls genau vorherzusagen.

B. Unbeaufsichtigtes Lernen

• Prinzip : Das Modell erforscht Datensätze nicht beschriftet um Strukturen, Gruppierungen (Clustering) oder intrinsische Muster zu entdecken.
• Anwendungen :
  • Erkennung von Anomalien : Identifikation von Maschinenverhalten, das von der Norm abweicht, ohne dass man den “Fehler” vorher definieren musste. Entscheidend, um neue Arten von Fehlern oder subtile Fehlfunktionen zu erkennen.
  • Optimierung der Kundensegmentierung und des Lagerbestands : Gruppierung von Produkten nach komplexen Nachfragemustern zur Optimierung der Politik der Gezogener Fluss und von Sicherheitsbestand.

C. Verstärktes Lernen

• Prinzip : Das Modell lernt durch Versuch und Irrtum, indem es mit einer Umgebung interagiert (oft ein Digitaler Zwilling). Er wird für Maßnahmen belohnt, die das Ziel optimieren (z. B. Erhöhung des Durchsatzes), und für Maßnahmen bestraft, die das Ziel verschlechtern.
• Anwendungen :
  • Automatische Prozesssteuerung : Echtzeit-Optimierung der Parameter eines Industrieofens oder einer CNC-Maschine zur Maximierung des TRS oder den Energieverbrauch minimieren. Der Algorithmus lernt, mit dem Erdrosselungshals (Bottleneck) auf dynamische Weise.

ML : Der Motor der Wertschöpfung im Industrial Engineering

Die Integration von Machine Learning durch Experten in Wirtschaftsingenieurwesen bietet wichtige Wettbewerbsvorteile:

1. Reduzierung der versteckten Kosten : Durch die Vorhersage von Ausfällen und die Optimierung von Parametern reduziert ML die Kosten für ungeplante Maschinenstillstände und Ausschuss (Nichtqualität), erhöht die Serienproduktion.
2. Qualitätsverbesserung : ML-Modelle können komplexe Korrelationen zwischen Produktionsvariablen (aus dem Herstellungsordner) und die endgültige Qualität, die der Mensch nicht wahrnehmen könnte, und ermöglicht es, die Prozesse anzupassen, um eine gleichbleibende Qualität zu gewährleisten.
3. Beschleunigung der kontinuierlichen Verbesserung (KAIZEN) : Der ML stellt die Root Cause Analysis (RCA) durch die Ermittlung der Faktoren, die die Leistung am stärksten beeinflussen. Diese datengestützte Analyse ermöglicht es, die Verbesserungsbemühungen gezielt zu steuern (KAIZEN) dort, wo sie die größte Wirkung erzielen und die Intuition in Gewissheit verwandeln.
4. Optimierung der Supply Chain : Feinere Prognosen und intelligente Planungsalgorithmen ermöglichen eine reaktionsschnellere Bestandsverwaltung und erleichtern den Übergang zu Modellen mit Gezogener Fluss leistungsfähiger.

Herausforderungen und Implementierungsstrategie

Der Erfolg von Machine Learning hängt von der Qualität und Struktur der Daten. Die Herausforderung für KMU besteht häufig darin, die Daten aus ihren unterschiedlichen Systemen (ERP, MES, Automaten) zu bereinigen, zu standardisieren und zugänglich zu machen. Ein Berater ist erforderlich, um die richtige Datenarchitektur (Big Data) zu definieren, die kostengünstigsten Anwendungsfälle auszuwählen und sicherzustellen, dass das Erlernen von Modellen an den Unternehmenszielen ausgerichtet ist.

Machine Learning ist das Werkzeug, das es der Industrie ermöglicht, von der Automatisierung (das Gleiche schneller zu tun) zur’Autonomie und in der’ständige Optimierung (machen Sie die beste Sache, sich anpassen und verbessern).