Deep Learning in Metrology
Big Data Analysen für Predictive Maintenance in der Messtechnik
In der Bildverarbeitung wird Deep Learning schon länger diskutiert und teilweise schon realisiert. Allerdings sind weitere Einsatzfelder erkennbar, die auf der Sammlung vieler Daten rund um die Maschine basieren.
Bild: WENZEL Präzision GmbHOptische Sensoren sammeln unvorstellbar große Datenmengen und bieten damit ein tolles Anwendungsgebiet für Methoden der Künstlichen Intelligenz und damit auch Deep Learning.
Bild: WENZEL Präzision GmbH
Bild: Wenzel Group GmbH & Co. KGPredictive Maintenance
Aber welche Faktoren, Daten und Zusammenhänge sind bei der Datensammlung entscheidend? Das war und ist genau das Problem der konventionellen Programmieransätze. Gerade bei der Wartung und einem Maschinenausfall durch Verschleiß ist eine Ausfallprognose schwer, da keinem Hersteller alle Nutzungsszenarien der Kunden gleichzeitig bekannt sind. Um den Anforderungen an die Verfügbarkeit der Kunden in Inline-Anwendungen gerecht werden zu können, muss man daher bereits vorher wissen, wann ein Ausfall zu erwarten ist oder immer vorbeugend alle relevanten Teile austauschen. Bei Wenzel wurde mit dem WM SYS Analyzer ein Werkzeug entwickelt, das alle verfügbaren Daten über eine Messmaschine und deren Nutzungsverhalten, wie Intensität und Verteilung, Umgebungsbedingungen (Temperatur, Feuchte...), aber auch die inhaltliche Qualität der Messergebnisse sammelt. Wenn ein Kunde dies wünscht, stehen diese Informationen nur an der Maschine und für den Kunden direkt zur Verfügung. Er kann sie aber auch mit dem Service bei der Durchführung von Wartungsarbeiten teilen und diesem wichtige (anonyme) Daten mitgeben. Deep Learning beginnt dann, wenn der Kunde bereits ist, mit dem Messmaschinenhersteller seine Daten in Echtzeit zu teilen. Dies geht aber leider derzeit nur über Internet und schon sind Diskussionen über Datensicherheit auf dem Tisch, die man nur durch Vertrauen und einem Nutzen für beide Seiten gewinnen kann. Teilt der Maschinennutzer die Daten, können Algorithmen im Hintergrund nach Auffälligkeiten in den Maschinendaten suchen. Bekannte Auffälligkeiten und Fehlerketten bei einem oder mehreren Kunden (z.B. +22°C in der Fertigung und hohe Feuchte führen nach x Stunden zum Ausfall einer bestimmten Komponente) erlauben es dem Service dann, bereits proaktiv zu werden. Das Beste ist: je mehr Daten zur Verfügung stehen, umso besser werden die Voraussagen.
Fazit
Deep Learning Anwendungen zu bauen ist technisch keine große Herausforderung. Moderne Entwicklungsumgebungen bieten hier eine gute Basis für erste Lösungen. Das wesentliche Problem ist allerdings, das gemeinsame Vertrauen mit dem Kunden zu schaffen, dass man solche Daten sammel darf, ohne vorab den genauen Grund zu kennen. Nur wenn ein solches System mit sehr vielen Daten gefüttert wird, besteht die Chance, dass man neue und bisher unbekannte Zusammenhänge erkennt. Die Bereitschaft, Daten mit einem Maschinenhersteller zu teilen, ist derzeit leider noch begrenzt, da die versprochenen Einsparungen, z.B im Sinne geringer Servicekosten erst bewiesen werden müssen. Belastbare Ergebnisse hierfür zu liefern, ist der nächste Schritt zum Erfolg.
Bild: Wenzel Group GmbH & Co. KGPredictive Maintenance
Aber welche Faktoren, Daten und Zusammenhänge sind bei der Datensammlung entscheidend? Das war und ist genau das Problem der konventionellen Programmieransätze. Gerade bei der Wartung und einem Maschinenausfall durch Verschleiß ist eine Ausfallprognose schwer, da keinem Hersteller alle Nutzungsszenarien der Kunden gleichzeitig bekannt sind. Um den Anforderungen an die Verfügbarkeit der Kunden in Inline-Anwendungen gerecht werden zu können, muss man daher bereits vorher wissen, wann ein Ausfall zu erwarten ist oder immer vorbeugend alle relevanten Teile austauschen. Bei Wenzel wurde mit dem WM SYS Analyzer ein Werkzeug entwickelt, das alle verfügbaren Daten über eine Messmaschine und deren Nutzungsverhalten, wie Intensität und Verteilung, Umgebungsbedingungen (Temperatur, Feuchte...), aber auch die inhaltliche Qualität der Messergebnisse sammelt. Wenn ein Kunde dies wünscht, stehen diese Informationen nur an der Maschine und für den Kunden direkt zur Verfügung. Er kann sie aber auch mit dem Service bei der Durchführung von Wartungsarbeiten teilen und diesem wichtige (anonyme) Daten mitgeben. Deep Learning beginnt dann, wenn der Kunde bereits ist, mit dem Messmaschinenhersteller seine Daten in Echtzeit zu teilen. Dies geht aber leider derzeit nur über Internet und schon sind Diskussionen über Datensicherheit auf dem Tisch, die man nur durch Vertrauen und einem Nutzen für beide Seiten gewinnen kann. Teilt der Maschinennutzer die Daten, können Algorithmen im Hintergrund nach Auffälligkeiten in den Maschinendaten suchen. Bekannte Auffälligkeiten und Fehlerketten bei einem oder mehreren Kunden (z.B. +22°C in der Fertigung und hohe Feuchte führen nach x Stunden zum Ausfall einer bestimmten Komponente) erlauben es dem Service dann, bereits proaktiv zu werden. Das Beste ist: je mehr Daten zur Verfügung stehen, umso besser werden die Voraussagen.
Fazit
Deep Learning Anwendungen zu bauen ist technisch keine große Herausforderung. Moderne Entwicklungsumgebungen bieten hier eine gute Basis für erste Lösungen. Das wesentliche Problem ist allerdings, das gemeinsame Vertrauen mit dem Kunden zu schaffen, dass man solche Daten sammel darf, ohne vorab den genauen Grund zu kennen. Nur wenn ein solches System mit sehr vielen Daten gefüttert wird, besteht die Chance, dass man neue und bisher unbekannte Zusammenhänge erkennt. Die Bereitschaft, Daten mit einem Maschinenhersteller zu teilen, ist derzeit leider noch begrenzt, da die versprochenen Einsparungen, z.B im Sinne geringer Servicekosten erst bewiesen werden müssen. Belastbare Ergebnisse hierfür zu liefern, ist der nächste Schritt zum Erfolg.
WENZEL Präzision GmbH
Dieser Artikel erschien in inVISION 6 2018 - 19.11.18.Für weitere Artikel besuchen Sie www.invision-news.de
