Erkundung der KI-Entwicklung von Neuron Soundware: Highlights aus dem vergangenen Jahr
Da die künstliche Intelligenz weiterhin rasant voranschreitet, hat Neuron Soundware im letzten Jahr bedeutende Meilensteine in der Algorithmenentwicklung erreicht. Wir haben uns auf vier Schlüsselbereiche konzentriert, die den Wert der industriellen Datenverarbeitung für unsere Kunden erheblich steigern.
Ein-Klick-Schulung: Rationalisierung der Geräteüberwachung im großen Maßstab
Unsere erste große Innovation, das "Ein-Klick-Training", revolutioniert den Prozess des Trainings von Modellen (Berechnungsalgorithmen) für Maschinen. Mit dieser Funktion können KI-Modelle effizient, innerhalb von 24 Stunden und für eine Vielzahl von Maschinen trainiert werden. Sie funktioniert automatisch und macht ein Eingreifen von Spezialisten für maschinelles Lernen (ML) überflüssig.
Bisher mussten ML-Spezialisten bei der Schulung von Modellen und Algorithmen manuell eingreifen, um die Anpassung an das spezifische Maschinenverhalten zu gewährleisten, genaue Ergebnisse für verschiedene Maschinen zu erzielen und relevante Änderungen im Maschinengeräusch zu erkennen.
Zur Veranschaulichung ein Szenario mit Hunderten von Pumpen in den Rohrleitungssystemen von Zementwerken. Pumpe Ausfälle sind aufgrund der hohen Belastung häufig, und jede Pumpe ist etwas anders konfiguriert. Dies erfordert eine individuelle Kalibrierung der Überwachungstechnik, trotz identischer Installation von IoT-Einheiten und Sensoren.
Bisher dauerte die Kalibrierung von Hunderten von Geräten Wochen oder Monate, was zu Verzögerungen bei der Aufnahme des Dienstes für die Kunden führte. Mit der Automatisierung der Kalibrierung dauert dieser Prozess nun nur noch wenige Stunden und ist vollständig automatisiert.
Darüber hinaus wurde das für die Einrichtung des Überwachungsprozesses erforderliche Fachwissen erheblich reduziert. Während früher ein ML-Ingenieur unverzichtbar war, ist jetzt ein Projektmanager auf der Lieferanten- oder Kundenseite erforderlich, um Solldaten bereitzustellen und das Modell anhand dieser Daten zu trainieren.
Datensuche: Verbesserung der Anomalie-Erkennung durch "Ähnlichkeitssuche"
Wir haben unsere neueste Innovation vorgestellt, die "Ähnlichkeitssuche"Modul, das die Identifizierung anormaler Zustände durch die Nutzung historischer Daten vereinfachen soll. Bisher haben wir uns bei der Verfeinerung und dem Training unserer Berechnungsalgorithmen stark auf Kundenfeedback verlassen.
Mit dem Modul "Ähnlichkeitssuche" haben wir die Notwendigkeit umfangreicher Kundeneingaben bei der Kennzeichnung bestimmter Prozesse oder Maschinenzustände erheblich reduziert. Wenn eine Anomalie erkannt wird, sucht der Algorithmus selbstständig nach ähnlichen Daten in der Verhaltenshistorie der Maschine. Die Benutzer können diese Daten dann beschriften und Datensätze erstellen, die zum Trainieren spezieller Modelle für die Fehlererkennung verwendet werden. Dieser Prozess ermöglicht es uns, unseren Kunden präzisere Einblicke zu geben und das Produktions- und Wartungsmanagement zu verbessern.
Diese Fähigkeit ist besonders wichtig für rechtzeitige Wartungsarbeiten wie die Nachschmierung von Getrieben in Transport- oder Energieanlagen. Das Wartungspersonal muss das Getriebe nicht mehr ausbauen, um die Art der Anomalie zu bestätigen. Dank der historischen Daten, die den Identifizierungsprozess leiten, können die Bediener das Problem mit den erforderlichen Werkzeugen und Materialien sofort angehen und so die Wartungsabläufe optimieren.
Benutzerdefinierter Klassifikator: Erweiterung der Möglichkeiten der Ähnlichkeitssuche
Zusätzlich zu unserer neuesten Innovation, dem oben erwähnten Modul für die Ähnlichkeitssuche, erweitern wir unsere Bemühungen mit der Entwicklung des "Custom Classifier". Mit dieser Funktion können Maschinenbediener ähnliche, unerwünschte Maschinenzustände leicht erkennen und rechtzeitig Korrekturmaßnahmen ergreifen.
Bei der Erkennung von stumpfen Werkzeugen zum Beispiel erkennen wir diesen Zustand schnell, sobald er auftritt, und verhindern so die Produktion von Ausschuss. Dies wird durch die Identifizierung und Kennzeichnung von Daten erreicht, die einen bestimmten Fehler repräsentieren und die dann zum Trainieren eines Modells verwendet werden. Anschließend können wir ähnliche Maschinenzustände effektiv erkennen, sobald sie auftreten.
Dieses Modul wurde für Nicht-Programmierer, insbesondere für Maschinenbediener, entwickelt und ermöglicht die kontinuierliche Markierung von unerwünschten Maschinenzuständen. Das System sucht dann automatisch nach ähnlichen Fehlern im Verhalten der Maschine, was den Eingriffsprozess rationalisiert.
In Umgebungen, in denen täglich Tausende von Metallteilen auf einer Werkzeugmaschine hergestellt werden, sind solche Fähigkeiten unverzichtbar. Algorithmen bewerten diese Bedingungen in Echtzeit, wobei sie auf Erkenntnisse aus früheren Erfahrungen mit der Prozessüberwachung zurückgreifen.
Datenfusion: Verbesserung der maschinellen Zustandserkennung durch multimodale Datenanalyse
Unser Kernstück ist die Datenfusion, mit der wir eine präzisere Erkennung von Maschinen- und Prozesszuständen erreichen. Durch den Einsatz multimodaler Modelle - Algorithmen, die mehrere Datentypen gleichzeitig verarbeiten können - verbessern wir unsere Analyse. Indem wir beispielsweise Schall-, Temperatur- und Stromdaten einer einzelnen Maschine integrieren, können wir diese Werte effektiv korrelieren und vergleichen.
Durch die Zusammenführung von Daten aus verschiedenen Quellen verringern wir das Risiko falscher Warnungen und unnötige Bedienereingriffe in Prozesse zu vermeiden. Dieser Aspekt unserer Technologie ermöglicht es zum Beispiel, den Betriebszustand von Elektromotoren aus der Ferne genauer zu bestimmen. Folglich können die Bediener den Schweregrad von Fehlern besser einschätzen und geeignete Strategien zur Anpassung des Maschinenbetriebs entwickeln.
Über akustische, Temperatur- und Strömungsdaten hinaus erforschen wir aktiv die Integration visueller Daten von Kameras, Druckmessungen und Ölqualitätsbewertungen in unsere Analyse.
Trends im Bereich maschinelles Lernen: Was dieses Jahr zu erwarten ist
Unser Team verfolgt aufmerksam die neuesten Fortschritte beim maschinellen Lernendie in der Branche auch als "State of the Art"-Entwicklungen bezeichnet werden. Wir nutzen modernste Techniken wie Faltungsnetzwerke, die ursprünglich für die Bildverarbeitung entwickelt wurden, jetzt aber auch auf Klang und andere physikalische Parameter angewendet werden. Außerdem verwenden wir, ähnlich wie bei ChatGPT und OpenAI, Transformatoren mit Aufmerksamkeitsmechanismen.
Diese Fortschritte werden in einem unserer jüngsten Projekte deutlich - einer generativen KI-Anwendung, die auf die automatisierte Berichtsverarbeitung für unsere Kunden zugeschnitten ist. Auf der Grundlage der Maschinendokumentation empfiehlt unsere KI Eingriffe auf der Basis des aktuellen Maschinenzustands und unter Verwendung vorverarbeiteter Handbücher. Auch hier ist es unser Ziel, die Arbeitsabläufe für die Bediener zu rationalisieren und gleichzeitig das Fachwissen von Diagnostikern und Maschinenbauern dort einzusetzen, wo es am meisten benötigt wird.
Neueste Beiträge
