Vorausschauende Wartung Machine-Learning-Modelle automatisiert trainieren

Anbieter zum Thema

Board Deutschland GmbH

Disy Informationssysteme GmbH

INFOMOTION GmbH

Die Entwicklung von Machine-Learning-Modellen (ML) ist oft ein zeitintensiver Prozess, der aus Trial und Error besteht. Das global agierende Unternehmen Festo zeigt, wie die Tools von Weights & Biases, einer Plattform zur Unterstützung der Entwicklung von Künstlicher Intelligenz (KI), die Optimierung von ML-Modellen beschleunigen und prädiktive Wartung für seine Kunden besser macht.

Es ist das Schreckgespenst der Industrie und Fertigung: Downtime. Eine Anlage, die wegen ungeplanter Ausfälle steht, verursacht mitunter enorme Kosten. Um Ausfallzeiten zu verhindern, ist es auch heute noch gängige Praxis, Teile nach einer bestimmten Zyklenzahl oder Zeit auszutauschen. Sicherheitshalber und „auf Verdacht“. So werden oft auch Komponenten ausgetauscht, die noch eine Weile ihren Dienst getan hätten. Gleichzeitig besteht dabei die Gefahr, dass Komponenten zu spät ersetzt werden und zu teuren Produktionsstopps führen. Im Worst Case muss ein Mechaniker das defekte Teil erst im Inneren einer Anlage ausfindig machen und anschließend Ersatz bestellen. So vergehen schnell mehrere Tage, bis die Produktion wieder hochgefahren werden kann.

Ein solches Vorgehen ist weder ressourcen- noch kosteneffizient. Immer mehr Anlagenbetreiber implementieren deshalb Systeme zur vorausschauenden Wartung, auch Predicitve Maintanance genannt. Solche Systeme erkennen, wenn sich ein Ausfall ankündigt, und können die Restlebensdauer von Bauteilen präzise einschätzen. Für den Komponentenhersteller Festo ist Predictive Maintenance ein Weg, die Nachhaltigkeit seiner Produkte zu steigern und seinen Kunden zu ermöglichen, Kosten und Ressourcen zu sparen.

Bildergalerie

Ein konkretes Beispiel für vorausschauende Wartung bei Festo ist der Einsatz in Pneumatiksystemen, die mit Druckluft arbeiten. Der Komponentenhersteller möchte damit erreichen, dass seine Kunden die gelieferten Zylinder und Ventile nur dann austauschen müssen, wenn es wirklich notwendig ist und die natürliche Verschleißgrenze erreicht ist. Defekte Dichtungen oder Risse können dazu führen, dass Druckluft entweicht und Zylinder nicht mehr richtig arbeiten. Selbst für erfahrene Techniker ist es in der lauten Produktionsumgebung schwierig, solche Leckagen frühzeitig zu erkennen. Aus diesem Grund setzt Festo auf Machine Learning: KI-gestützte Algorithmen analysieren die von Mikrofonen aufgenommenen Frequenzbereiche, um die charakteristischen Geräusche von Leckagen zu identifizieren. So erkennt das System Probleme, bevor sie zu ernsthaften Störungen führen.

Kein Predictive Maintenance ohne Machine Learning

Die Entwicklung solcher vorausschauenden Wartungssysteme ist jedoch ein komplexer Prozess, allen voran das Training von Machine-Learning-Modellen. Besonders zeitaufwendig sind die vielen iterativen Testschleifen, bei denen sich die Entwickler in experimenteller Weise einem immer besser funktionierenden Modell annähern. Zahlreiche Variablen – von den Daten über die Modellarchitektur bis hin zu den Hyperparametern – beeinflussen die Qualität und Genauigkeit der Vorhersagen des Modells. Ohne eine strukturierte und automatisierte Vorgehensweise ist dieser Prozess sehr aufwendig.

Festo hat festgestellt, dass in den unterschiedlichen Predicitve-Maintenenace-Projekten des Unternehmens immer wieder redundante Aufgaben bei der Modellentwicklung manuell zu erledigen sind. „Früher haben wir von der Daten-Aufbereitung bis hin zum Deployment alles per Hand gemacht. Bei einer einmaligen Entwicklung wäre das kein Problem, aber bei mehreren Projekten führt das zu Recht ineffizienten Prozessen“, sagt Daniel Spies, Machine-Learning-Ingenieur von Festo. Um die Modellentwicklung zu vereinheitlichen und wiederkehrende Schritte in der Software-Entwicklung zu automatisieren, nutzt Festo eine Plattform von Weights & Biases. Die „integrierte MLOps-Plattform“ wurde für die Anforderungen von ML-Entwickler konzipiert und hilft Festo dabei, schneller Ergebnisse bei der Modellentwicklung zu erzielen.

Automatisierte Modellentwicklung mit Weights & Biases

Das Tool loggt sämtliche Metriken automatisch und visualisiert diese auf einem Interface, das den Entwicklern einen Überblick über alle Experimente zur Findung des besten Modells verschafft. Durch Modularisierung von Entwicklungsschritten können mehr Programm-Codes wiederverwendet werden. So können die Ingenieure und Data Scientists bei Festo schnell herausfinden, welche Modellansätze funktionieren und welche nicht. Besonders die so genannten „Sweeps“, wie Weights & Biases seine Funktion nennt, erleichtern einen entscheidenden Schritt in der Modellentwicklung: die Hyperparameterstudien.

In den Hyperparameterstudien geht es darum, die optimale Kombination aller Parameter wie zum Beispiel Lernraten, Batch-Größe, Modelltiefe etc. zu finden. Sweeps testen die verschiedenen Konfigurationen automatisiert. In der Vergangenheit nutzte Festo dafür eine Vielzahl untereinander nicht kompatibler Tools. „Das alles zu integrieren war ein Riesen-Aufwand und beim Migrieren von Daten von einem Tool zum nächsten gingen auch öfter Informationen verloren. Das konnten wir durch Weights & Biases in den Griff kriegen“, sagt Daniel Spies. Mit der Plattform des Software-Entwicklers hat Festo nun ein Tool integriert, das alle Aufgaben der Modellentwicklung auf einem Interface zusammenführt.

Das hat die Zusammenarbeit mit Weights & Biases für Festo gebracht

Die Zusammenarbeit mit Weights & Biases hat für Festo einige Vorteile gebracht.

• Die Entwicklungszeit für vorausschauende Wartungssysteme konnte reduziert werden.

• Die Kunden profitieren von einer höheren Anlagenzuverlässigkeit und geringeren Wartungskosten.

• Festo konnte seine Position als nachhaltiger Partner in der Industrie weiter stärken.

Für Unternehmen, die sich mit der Entwicklung von ML-Modellen beschäftigen, hat Daniel Spies von Festo vier Tipps:

• 1. Bringe Ordnung in dein Projekt: Ein sauber strukturiertes Projekt erhöht nicht nur die Wiederverwendbarkeit, sondern erleichtert auch die Dokumentation: Moderne Tools erlauben beispielsweise das Reporting von Experimenten zu den Modellen interaktiv in der Entwicklungsumgebung.

• 2. Nutze Best Practice Guides: Vom Entwickler bereitgestellte Best Practices Guides helfen, die Nutzung eines Tools so zu verstehen, wie der Entwickler sie vorgesehen hat.

• 3. Achte auf guten Support: Wirklich engagierte Partner bieten Support quasi in Echtzeit und haben keine obligatorische 24h-Wartezeit nach einer Kontaktaufnahme.

• 4. Lerne deinen Software-Partner kennen: „Ich würde jedem empfehlen, der über einen Kauf von Software eines bestimmten Entwicklers nachdenkt, die Kollegen einfach in die Firma einzuladen und kennenzulernen“, schließt Spies.

(ID:50306380)