Bei dem von MLnext Creation erstellten Modell handelt es sich um ein neuronales Netzwerk in Form eines Autoencoders. Dieser zielt darauf ab, die Eingabedaten zu komprimieren und auf die wichtigsten Merkmale zu reduzieren, um sie anschließend aus dieser komprimierten Darstellung wieder zu rekonstruieren. Im Kontext der Anomalieerkennung wird der Autoencoder mit den normalen Betriebsdaten der Motoren trainiert. Wenn sich nun nach dem Training eine Auffälligkeit in den Eingangsdaten zeigt, lässt sich diese vom Autoencoder nicht vollständig rekonstruieren. Im Ergebnis kommt es zu erheblichen Abweichungen zwischen den Eingangsdaten und den wiederhergestellten Daten, sodass Anomalien identifiziert werden können.
Erstellung veränderbarer Dashboards
Im nächsten Schritt findet das trainierte Modell in der Produktionsumgebung Anwendung. Hierfür bietet MLnext Execution eine komplett konfigurierbare Pipeline, die den gesamten Prozess von der Datenbeschaffung über die Vorverarbeitung und Inferenz mit dem Modell bis zur Speicherung der Ereignisse abdeckt. Der Vorteil von MLnext Execution liegt darin, dass ebenfalls keine Programmierkenntnisse notwendig sind, sondern alles in einer Konfigurationsdatei einstellbar ist. Im Changan-Projekt wird MLnext Execution auf dem gleichen Edge-PC EPS 1522 ausgeführt, auf dem auch das IIoT-Framework läuft. Dies erlaubt eine nahtlose Integration in die bestehende Infrastruktur. Die von den Motoren aufgenommenen Daten werden nahezu in Echtzeit aus der Datenbank geladen und durchlaufen die gleiche Vorverarbeitung wie beim Training des Modells. Danach analysiert das Modell die Daten auf Anomalien und archiviert das Ergebnis, also die Zeitspanne und den Auslöser, wieder in der Datenbank. Warum Unternehmen mit Connected Engineering schneller, sicherer und wettbewerbsfähiger werden ‣ weiterlesen
Von Insellösungen zum vernetzten Engineering-Ökosystem
Zur Visualisierung der Daten und Ergebnisse des Modells wird das benutzerfreundliche Tool Grafana verwendet. Damit lassen sich zielgruppengerechte Dashboards erstellen, die einen Überblick über die Betriebsdaten der Motoren und der detektierten Anomalien geben. Zudem eröffnet Grafana die Möglichkeit, dass Changan später eigenständig Veränderungen an den Dashboards vornehmen kann. Ferner können Alarme für die identifizierten Anomalien eingerichtet werden, die das Wartungspersonal auf potenzielle Probleme hinweisen.
Kontinuierliche Verbesserung des Modells
Der Einsatz von MLnext zur Anomalieerkennung in den Presswerken von Changan Automobile zeigt, wie sich mögliche Probleme frühzeitig feststellen lassen, sodass sich Ausfallzeiten minimieren und die Wettbewerbsfähigkeit erhöht. Der iterative Prozess des maschinellen Lernens bietet außerdem die Option, das Modell durch die Auswertung der detektierten Anomalien kontinuierlich zu verbessern und so die Präzision der Anomalieerkennung zu steigern.
