Machine learning Weidmüller pour la machinerie et l'ingénierie des installations. Evoluer de façon autonome, pouvoir élaborer des modèles d'analyse simples et efficaces sans expertise pointue. Faire avancer l'intelligence artificielle (IA) dans les machines et l'ingénierie des installations.

Weidmüller présente pour la toute première fois son outil de machine learning pour les machines et l’ingénierie des installations. Les utilisateurs de l'outil pourront créer et développer eux-mêmes des modèles sans avoir à compter sur l'aide d'un informaticien ou d'un partenaire de coopération externe. Cela garantit que les connaissances actuelles sur les process et les machines restent au sein de l'entreprise, car les ingénieurs peuvent mettre à jour eux-mêmes leurs connaissances dans le domaine. L'outil ML auto est en train de démocratiser l'utilisation de l'intelligence artificielle (IA), car les méthodes sont rendues accessibles à un large public. Le nouvel outil de machine learning constitue la base de processus de production plus efficaces et de nouveaux modèles d'entreprise fondés sur les données. Dans ce contexte, ce ne sont plus des types de machines particuliers qui sont les principaux facteurs de vente, mais plutôt la disponibilité des machines ou un nombre garanti de pièces pouvant être produites avec les machines. La maximisation des temps de production résultant de l'analyse industrielle constitue une valeur supplémentaire directement mesurable, qui se traduit par une période de « retour sur investissement » de seulement quelques mois.

Le machine learning et ses caractéristiques se révèlent extrêmement exigeants pour les experts traditionnels de l'automatisation et de la construction de machines, qui n'ont généralement pas les compétences nécessaires pour développer des modèles correspondants. L'analyse des données et la conception des modèles sont donc réalisées par des spécialistes des données. Leurs connaissances spécialisées sont nécessaires pour appliquer les méthodes de l'intelligence artificielle ou de l'apprentissage automatique aux données et pour élaborer des modèles capables de reconnaître les anomalies ou de prédire les erreurs, par exemple. Le chercheur en données travaillera bien sûr en étroite collaboration avec l'ingénieur mécanique ou l'opérateur de machine pour interpréter les corrélations détectées dans les données du point de vue de l'ingénierie.

Weidmüller suit une approche entièrement nouvelle pour les machines et l'ingénierie des installations avec le déploiement de son nouveau logiciel automatisé d'apprentissage automatique. L'outil logiciel guide l'utilisateur à travers le process de développement du modèle, ce qui rend le process moins complexe et permet à l'utilisateur de se concentrer sur ses connaissances du comportement de la machine et du process. Les experts en machines et systèmes peuvent faire avancer la création et le développement des modèles eux-mêmes sans avoir à être des scientifiques de données et sans aucune connaissance particulière dans le domaine de l'intelligence artificielle. Cela garantit que les connaissances actuelles sur les process, les machines et les modèles d'erreur demeurent au sein de l'entreprise, car les ingénieurs peuvent eux-mêmes mettre à jour leurs connaissances dans le domaine et les intégrer aux étapes de conception du modèle. Le logiciels aide l'entreprise à traduire et archiver les connaissances complexes en matière d'application en une application d'apprentissage automatique fiable. L'outil fournit également les composants logiciels nécessaires à la mise en oeuvre de l'intelligence artificielle, ce qui signifie que l'utilisateur n'a pas besoin d'une expertise informatique particulière pour utiliser les modèles.

Afin d'intégrer de manière optimale les connaissances du domaine des experts en machines et en process, tout en automatisant les étapes de conception du modèle, l'apprentissage automatique « non supervisé » et « supervisé » ont été combinés de manière approfondie. Le comportement indésirable d'une machine est détecté à l'aide d'un process de détection d'anomalies, qui est un exemple d'apprentissage automatique « non supervisé ».

Un algorithme apprend les modèles de données typiques du comportement normal de la machine à partir de données historiques. Des écarts par rapport à ces modèles peuvent être identifiés pendant l'exécution. Les anomalies détectées peuvent être des inefficacités, des dysfonctionnements mineurs ou des erreurs plus graves. Grâce à cette approche, le système est capable de détecter des erreurs dès leur première apparition, même si ces erreurs étaient auparavant complètement inconnues. Afin d'attribuer ensuite tout comportement de machine suspect à une certaine classe (erreur), on utilise des process de classification, qui sont des exemples d'apprentissage automatique « supervisé ». Pour réaliser ce brochage, l'algorithme doit avoir accès à un nombre suffisant d'exemples représentatifs des données historiques pour les différentes classes. Les plages de temps des exemples doivent être marquées dans les données. Si une erreur particulière se produit alors à nouveau, elle sera reconnue par le système et correctement affectée à une classe en fonction de son modèle de données typique. Les algorithmes peuvent être continuellement améliorés à l'aide de nouvelles données, puis développés pour inclure de nouvelles classes d'erreur. Les informations correspondantes. telle que les classes d'erreur, sont saisies par l'utilisateur dans le cadre de la création de modèles et du développement de modèles via un process appelé « marquage ».

En mettant l'accent sur le groupe cible d'experts dans le domaine de la machinerie et de l'ingénierie des installations ainsi que sur les opérateurs correspondants, l'outil automatique ML permet à l'utilisateur industriel d'appliquer facilement des process d'intelligence artificielle et d'apprentissage automatique, sans avoir besoin de connaissances spécialisées dans les domaines de l'IA ou du ML. L'outil logiciel assume également le rôle d'assistant en science des données et guide l'utilisateur dans le process de la création de modèles pour la détection, la classification et la prédiction des anomalies.

Résumé : Les connaissances actuelles sur les process et les machines demeurent au sein de l'entreprise, car les ingénieurs et les exploitants de machines et d'usines peuvent mettre à jour eux-mêmes leurs connaissances dans le domaine. La maximisation des temps de production résultant de l'analyse industrielle constitue une valeur supplémentaire directement mesurable, qui se traduit par une période de « retour sur investissement » de seulement quelques mois.