Início / Noticias / Weidmüller / Herramientas Machine Learning de Weidmüller para maquinaria

Herramientas Machine Learning de Weidmüller para maquinaria

Weidmüller presenta su herramienta Machine Learning e Inteligencia Artificial para ingeniería de maquinaria e instalaciones

Herramientas Machine Learning de Weidmüller para maquinaria

Los usuarios de la herramienta podrán crear y desarrollar modelos por sí mismos sin tener que depender de la asistencia de un científico de datos o un socio de cooperación externo. Esto garantiza que el conocimiento existente de los procesos y la maquinaria permanezca dentro de la empresa, ya que los ingenieros pueden actualizar ellos mismos el conocimiento de su dominio.

"auto ML tool" está esencialmente democratizando el uso de inteligencia artificial (IA), ya que los métodos se están haciendo accesibles a una amplia audiencia. La nueva herramienta de Machine Learning (aprendizaje automático ) proporciona la base para procesos de producción más eficientes y nuevos modelos de negocio basados ​​en datos.

En este contexto, cada vez se prima más la disponibilidad de las máquinas o un número garantizado de piezas que se pueden producir con las máquinas. La maximización de los tiempos de producción como resultado de la analítica industrial constituye un valor agregado directamente medible, que se refleja en un tiempo de "retorno de la inversión" de unos pocos meses.

Las herramientas Machine Learning disponibles actualmente y sus características son extremadamente exigentes para los expertos tradicionales en automatización y construcción de maquinaria, que generalmente no tienen la experiencia necesaria para desarrollar los modelos correspondientes. Por lo tanto, los científicos de datos realizan el análisis de datos y el diseño del modelo. Se requiere su conocimiento experto para aplicar los métodos de inteligencia artificial o Machine Learning a los datos y desarrollar modelos que puedan reconocer anomalías o predecir errores, por ejemplo. El científico de datos, por supuesto, trabajará estrechamente con el ingeniero mecánico o el operador de la máquina para interpretar las correlaciones detectadas en los datos desde una perspectiva de ingeniería.

Weidmüller está siguiendo un enfoque completamente nuevo para la ingeniería de maquinaria e instalaciones con la implementación de su nuevo software Machine Learning  automatizado. La herramienta de software guía al usuario a través del proceso de desarrollo del modelo, lo que lo hace menos complejo y le permite centrarse en su conocimiento de la máquina y el comportamiento del proceso. Los expertos en máquinas y sistemas pueden impulsar la creación y un mayor desarrollo de los modelos en sí mismos sin tener que ser científicos de datos y sin ningún conocimiento especial en el campo de la inteligencia artificial.

Esto garantiza que el conocimiento existente de los procesos, la maquinaria y los patrones de error permanezcan dentro de la empresa, ya que los ingenieros pueden actualizar ellos mismos el conocimiento del dominio e incorporarlo en los pasos de diseño del modelo. El software ayuda a la compañía a traducir y archivar el conocimiento de la aplicación compleja en una aplicación de Machine Learning  confiable. La herramienta también proporciona los componentes de software necesarios para la implementación de inteligencia artificial, lo que significa que el usuario no necesita tener ningún conocimiento especial de TI para operar los modelos.

Machine Learning  "sin supervisión" y "supervisado" 

Con el fin de integrar de manera óptima el conocimiento de dominio de los expertos en máquinas y procesos, pero al mismo tiempo automatizar los pasos de diseño del modelo, el Machine Learning  "sin supervisión" y "supervisado" se ha combinado de manera experta. El comportamiento de la máquina no deseado se detecta mediante un proceso de detección de anomalías, que es un ejemplo de aprendizaje automático "no supervisado".

Un algoritmo aprende los patrones de datos típicos del comportamiento normal de la máquina basado en datos históricos. Las desviaciones de estos patrones se pueden identificar durante el tiempo de ejecución. Las anomalías detectadas pueden ser ineficiencias, fallas menores o errores más graves. Gracias a este enfoque, el sistema es capaz de detectar errores la primera vez que ocurren, incluso si estos errores eran completamente desconocidos. Para luego asignar cualquier comportamiento sospechoso de la máquina a una cierta clase (error), se utilizan procesos de clasificación, que son ejemplos de aprendizaje automático "supervisado".

Para llevar a cabo esta tarea, el algoritmo debe tener acceso a un número suficiente de ejemplos representativos de los datos históricos para todas las diferentes clases. Los rangos de tiempo para los ejemplos deben estar marcados en los datos. Si un error en particular vuelve a ocurrir, el sistema lo reconocerá y lo asignará correctamente a una clase de inmediato en función de su patrón de datos típico. Los algoritmos se pueden mejorar continuamente utilizando nuevos datos y se pueden ampliar para incluir nuevas clases de error. La información correspondiente, como las clases de error, es introducida por el usuario como parte de la creación y el desarrollo del modelo a través de un proceso denominado "etiquetado".

"auto ML tool" facilita al usuario industrial la aplicación de inteligencia artificial y los procesos de Machine Learning, sin la necesidad de ningún experto. Conocimientos en los campos de la IA o ML. La herramienta de software también asume el rol de asistente de ciencia de datos y guía al usuario a través del proceso de creación de modelos para la detección, clasificación y predicción de anomalías.

Más información

/noticias/marcas/22-weidmuller