Deep Learning in Metrology
Big Data Analysen für Predictive Maintenance in der Messtechnik
In der Bildverarbeitung wird Deep Learning schon länger diskutiert und teilweise schon realisiert. Allerdings sind weitere Einsatzfelder erkennbar, die auf der Sammlung vieler Daten rund um die Maschine basieren.
(Bild: Wenzel Group GmbH & CO. KG)
Optische Sensoren sammeln unvorstellbar große Datenmengen und bieten damit ein tolles Anwendungsgebiet für Methoden der Künstlichen Intelligenz und damit auch Deep Learning. Die Analyse großer und unstrukturierter Datenmengen, aus denen dann bisher noch unbekannte Muster erkannt werden, bietet sich aber nicht nur bei Bildinformationen an, sondern auch in der Kombination mit anderen Datenquellen und Sensoren. Der wesentliche Fortschritt der Technologie ist das eigenständige Lernen des Systems, d.h. dass eine solche Lösung zu Beginn trainiert und dann im Zuge der weiteren Nutzung selbstständig immer besser wird. Die bekanntesten Einsatzbereiche reichen dabei von der Analyse von Bilddaten über die Spracherkennung bis hin zum industriellen Einsatz. Eine hier nicht weiter verfolgte Facette ist der Einsatz im Sales- und Servicebereich, bei der u.a. der Tonfall einer Mail darauf hinweist, ob und wie sehr Kunden verärgert sind. Der bei Wenzel genutzte Anwendungsbereich des Deep Learning konzentriert sich unter anderem auf die Beherrschbarkeit der heterogenen Datenmengen, die bei der Entwicklung neuartiger Werkzeuge zur Nutzungsanalyse der Messmaschinen anfallen. Diese werden einerseits für Steuerungsaspekte bei den Kunden direkt, aber auch für Predictive Maintenance und Verbesserungen für künftige Entwicklungen gesammelt und analysiert. Dabei kommen bereits vorhandene Sensoren an den Maschinen zum Einsatz, die zwar schon immer da waren und Daten gesammelt haben, aber die bisher nur sehr temporär betrachtet und analysiert wurden. Zudem werden mit optischen und taktilen Messsensoren viele Informationen erzeugt, die bisher ´nur´ in Messprotokolle oder statistische Auswertungen fließen. Aus den Analyseergebnissen der Messungen im Closed Loop direkt Rückschlüsse für die Einstellung der Bearbeitungsmaschinen zu finden, ist ein weiteres, aber bisher nur konzeptionelles Feld für Deep Learning, das in Kürze zu ersten praktischen Lösungen führen wird.
