«Maschinelles Lernen ist bereits heute ein entscheidender Teil zahlreicher Greenfield-Projekte. Während die Technologie bislang noch von vielen als Zukunftsmusik abgetan wurde, erleben wir im Moment erste Anwendungen, die ohne grössere Vorkenntnisse und Erfahrungen einsetzbar sind und echte Mehrwerte für Verantwortliche und Maschinenbediener bieten. Dabei stehen wir hier erst am Anfang einer langen Entwicklung, die in Zukunft noch weitaus mehr Vorteile und Chancen bieten wird», erklärt Gunther Sälzler, Field Business Leader Architecture & Software von Rockwell Automation.
«Um in Zukunft nicht den Anschluss an dieses weite Feld zu verlieren, sollte bereits jetzt mit den ersten verfügbaren und zuverlässig arbeitenden Systemen gearbeitet werden. Denn nur so kann gewährleistet werden, dass Anwendungsfelder von Unternehmen richtig eingeordnet werden, Implementierungsvorhaben nicht an falschen Vorstellungen scheitern oder gewünschte Vorteile durch Machine Learning nicht erreicht werden», ergänzt Sälzler.
Einsatzgebiete, die in fast allen Anlagen bestehen, sind zum Beispiel die sogenannte predictive und prescriptive Maintenance sowie die Qualitätssicherung. Dieser erste Schritt ist mit einer gehörigen Portion Innovationswillen verbunden.Gunther Sälzler zu den Praxiserfahrungen: «Wie wir aber bereits oft in der Vergangenheit gesehen haben, wird diese unternehmerische Haltung langfristig auch mit weitreichenden Vorteilen gegenüber zögernder Konkurrenz belohnt. Wichtig ist, dass sich Unternehmen frühzeitig in die Materie einarbeiten und mit Anbietern industrieller Systeme, die mittels Machine Learning die genannten Vorteile bieten, in Kontakt treten.»
Ursprung in der Computerwissenschaft
Machine Learning ist ein wichtiger Bestandteil der Computerwissenschaft und der Künstlichen Intelligenz. Computerprogramme, die auf Machine Learning (ML) basieren, können mithilfe von Algorithmen eigenständig Lösungen für neue und unbekannte Probleme finden. Das künstliche System «erkennt» Muster und Gesetzmässigkeiten in den Lerndaten, die es zugespielt bekommt. Bereits auf dem Markt etablierte Tools helfen, die Algorithmen zu finden. «Neue Frameworks und Plattformen unterstützen die breite Anwendung dieser Themen im Projektalltag», erklärt Guido Reimann vom VDMA Software und Digitalisierung.
Die Technologie bietet dem Maschinen- und Anlagenbau ungeahnte Möglichkeiten: Bestehende Geschäfts- und Produktionsprozesse lassen sich optimieren, die Maschinen werden in der Folge zu intelligenten und beinahe autark arbeitenden Prozessdienstleistern. Dr. Alexander Wunderle, Datenanalyst des Getriebespezialisten Wittenstein, bestätigt: «Wir können mit Machine Learning neue Produkte entwickeln.»
Konkreter Praxisnutzen
Grundsätzlich kann Machine Learning genutzt werden, um Produkteigenschaften, aber auch interne Prozesse zu optimieren. Auch bei den Produkten unterscheiden sich die Eigenschaften von Machine Learning: Diese befinden sich einerseits im Produkt selbst, andererseits im Prozessumfeld der Maschine, etwa in Form von Wartungs- oder zusätzlichen Mehrwertdiensten.
Für die Implementierung von Machine Learning stellen sich immer wieder diese Fragen: Wie starte ich ein solches Machine Learning-Projekt? Welches Anwendungsszenario bietet sich für mein Unternehmen, welche Experten benötige ich, und welche Voraussetzungen sollten geschaffen sein, um ein Projekt erfolgreich implementieren zu können. Benedikt Buer von HOMAG Plattenaufteiltechnik ist einer der Entwickler von «intelli-Guide», dem intelligenten Assistenzsystem des Herstellers von Holzbearbeitungsmaschinen. Der Software-Architekt kann aus eigener Erfahrung berichten und gibt Unternehmen, die sich mit Machine Learning befassen möchten, einen wertvollen Tipp: «Starten Sie mit einem kleinen Projekt, der Appetit kommt dann beim Essen.» Auch der VDMA Software und Digitalisierung hat für Unternehmen, die sich für Machine Learning interessieren, Antworten parat. Sie sind in einem «Industrie Podcast» zusammengetragen. In der ersten Folge des VDMA erzählt Peter Seeberg von Softing Industrial, wie ein Unternehmen mit einem Machine-Learning-Projekt beginnt, welches Know-how erforderlich ist und welche Infrastruktur benötigt wird.
Peter Jossi, Chefredaktor KMEM, Lebensmittel-Ingenieur FH
IFAT
Weltleitmesse für Wasser-, Abwasser-, Abfall- und Rohstoffwirtschaft
Datum: 13.-17. Mai 2024
Ort: München (D)