KI-basierte Produktionsoptimierung mit MLnext Ressourcenschonende und effiziente Produktionsprozesse dank intelligenter Datenauswertung
Daten sind das Fundament der Digitalisierung, doch sie werden durch wachsende Netzwerke und erhöhte Sicherheitsanforderungen immer komplexer in ihrer Anwendung und Auswertung. Der richtige Umgang mit den Daten stellt einen essenziellen Bestandteil für die Digitalisierung von Produktionsanlagen dar. Um z. B. Anomalien in der Fabrik rechtzeitig zu erkennen, bieten die Lösungen von MLnext die Möglichkeit, durch Machine-Learning Ihre Daten auszuwerten sowie Optimierungen schnell, einfach und präzise vorzunehmen.
Produktionsdaten jederzeit im Blick
Nachhaltiger produzieren dank intelligenter Datenauswertung KI-basierte Handlungsempfehlungen zur Gestaltung smarter Produktionsprozesse
Daten lassen sich heutzutage in unzähliger Anzahl in den Maschinen und Anlagen einer Produktion wiederfinden. Sie stellen die Grundlage für die Umsetzung aller Digitalisierungslösungen dar. Wenn es um die Auswertung geht, geben Daten z. B. einen Einblick in die Verbräuche von verschiedenen Ressourcen wie (Druck-)Luft oder Wasser. Die Auswertung der Daten auf Basis von Machine-Learning bietet eine Vielzahl von Vorteilen im Vergleich zu manuellen Datenanalysen. Neben einer automatisierten Datenauswertung können Anwender an dieser Stelle von der Skalierbarkeit für ganze Produktionsprozesse profitieren. Neben einer automatisierten und damit einer vielfach schnelleren Datenauswertung profitieren Anwender an dieser Stelle von der Skalierbarkeit von einzelnen Maschinen, kompletten Anlagen bis zu ganzen Produktionsprozessen.
Phoenix Contact bietet mit den smarten Lösungen von MLnext eine einfache Möglichkeit für die Erstellung und den Einsatz von Machine-Learning-Modellen für die Produktion. Dadurch können z. B. neuronale Netze eingesetzt werden, damit Probleme in Produktionsprozessen automatisiert gefunden und mit Handlungsempfehlungen verknüpft werden. In der PLCnext Factory von Phoenix Contact konnten durch den Einsatz von MLnext basierten Lösungen bereits Produktivitätssteigerungen in Höhe von 10 % in kürzester Zeit erreicht werden. Ebenso könnten kürzere Umsetzungszyklen für neue Lösungen realisiert werden, was einen schnelleren Return-of-Investest (ROI) zur Folge hat.
Ihre Vorteile Abgestimmt auf Ihren Anwendungsfall und Ihre Applikation
Mit MLnext profitieren Sie von verschiedenen Vorteilen:
- Ready-to-Use – kein Vorwissen erforderlich da neuronale Netz automatisiert erstellt werden
- Einfach – Parametrierung statt Programmierung ermöglicht eine fehlerfreie und schnelle Anpassung der Lösung
- Transparent – Modellerstellung und -ausführung werden automatisch protokolliert und visualisiert
- Optimal – ein integrierter, intuitiver Modellvergleich ermöglicht die schnelle Identifikation des besten Modells
Maximale Flexibilität mit MLnext Von der Steuerung bis hin zum Einsatz in der Cloud
Das Modell lernt auf Basis der vergangenen Verbrauchsaktivitäten, welche Optimierungsmaßnahmen eingesetzt werden können. Gegenwärtige Veränderungen wie z. B. das Absinken der Umgebungstemperatur an einer Anlage werden dabei automatisch berücksichtigt und fließen in die Auswertung ein.
In der Praxis sind der Anwendung der MLnext-Lösungen keinerlei Grenzen gesetzt. Mögliche Einsatzgebiete können z. B. vorauschauende Wartung oder Prozessoptimierung von Produktionsanlagen sein.
Die Elektronikproduktion PLCnext Factory von Phoenix Contact hat mit den MLnext-Lösungen erstmalig flächendeckend den maschinennahen Einsatz von künstlicher Intelligenz realisiert. Im Ergebnis können seitdem die Zustände der Komponenten innerhalb der Maschine einfacher erfasst werden. Basierend auf diesem Ergebnis werden zukünftig weitere Datenanalysen für eine zustandsorientierte Instandhaltung (Predictive Maintenance) durchgeführt.
MLnext Framework Datenanalyse einfach umgesetzt
Für einen schnellen und einfachen Überblick über die Daten eignet sich für Hochsprachenprogrammierer das MLnext Framework. Nutzer profitieren dadurch ebenso von einer schnellen Auswahl der relevanten Daten. Unter Einhaltung aktuell gültiger Data-Security-Normen bietet das MLnext Framework eine Open Source Basis, die auf PLCnext Technology oder anderen hardwareunabhängigen Plattformen ausgeführt werden kann.
Die Programmierbibliothek implementiert stetig eine Vielzahl an (neuen) Ansätzen aus der Forschung, die in der PLCnext Factory eingesetzt werden und bereits zu Produktivitätssteigerung in Höhe von 10 % geführt haben. Ebenso konnten kürzere Umsetzungszyklen realisiert werden. Alle Erkenntnisse fließen in die zukünftige Ausgestaltung der Lösungen rund um MLnext ein.
MLnext Execution Einfaches Anlernen und Ausführen von Algorithmen
Mit MLnext Execution wird eine plattformunabhängige Software zum Ausführen von neuronalen Netzen bereitgestellt. Die Lösung kann flexibel eingesetzt werden – egal ob auf der Steuerungsebene, einem lokalen IT-Server oder in der Cloud. Entwickelte Lösungen können in der Umgebung getestet, verbessert sowie verglichen werden. Der notwendige Datenfluss wird hier durch die Konfigurationsdateien erstellt. Um anschließend die Vorverarbeitung, Vorhersage, Nachverarbeitung sowie die Abspeicherung der Datensätze vorzunehmen, wird hierfür die Herkunft der Daten definiert. Das intuitive Webinterface überwacht dabei das Laufzeitverhalten und gibt Auskunft über die Funktionsfähigkeit sowie Ausführungszeiten.
Zudem können neue Lösungen einfach auf der gleichen Plattform entwickelt werden, ohne die bereits eingebundenen Prozesse zu unterbrechen. Veränderungen sind flexibel durch den Anwender, Service-Partner oder die Expertinnen und Experten von Phoenix Contact möglich.
Die Möglichkeit der Ergänzung von Datenflüssen während der Laufzeit bietet Anwendern ein hohes Maß an Flexibilität.
MLnext Creation Auf dem Weg zum vollautomatisierten Deep Learning
MLnext Creation ermöglicht die Erstellung und Parametrierung der neuronalen Netze. Da die Anwendung auf Basis einer Konfigurationsdatei funktioniert, sind keinerlei Programmierkenntnisse erforderlich. Durch die automatische Protokollierung werden alle Bearbeitungsschritte einzeln erfasst und erzeugen ein standardisiertes Reporting. Um das optimale neuronale Netz für den Anwendungsfall zu wählen, können mehrere Modelle auch schnell miteinander verglichen werden. Basierend auf den Reports kann die Konfigurationsdatei anschließend angepasst werden.
Produktion smart optimiert
Egal ob Anomalieerkennung, die Lokalisierung von Leckagen oder die Optimierung von Prozessen, mit MLnext lassen sich versteckte Potenziale einfach und zielführend vorfinden. Entdecken Sie weitere Informationen im Infopaper.
