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.

Predictive Maintenance

Aber welche Faktoren, Daten und Zusammenhänge sind bei der Datensammlung entscheidend? Das war und ist genau das Problem der konventionellen Programmieransätze. Gerade bei der Wartung und einem Maschinenausfall durch Verschleiß ist eine Ausfallprognose schwer, da keinem Hersteller alle Nutzungsszenarien der Kunden gleichzeitig bekannt sind. Um den Anforderungen an die Verfügbarkeit der Kunden in Inline-Anwendungen gerecht werden zu können, muss man daher bereits vorher wissen, wann ein Ausfall zu erwarten ist oder immer vorbeugend alle relevanten Teile austauschen. Bei Wenzel wurde mit dem WM SYS Analyzer ein Werkzeug entwickelt, das alle verfügbaren Daten über eine Messmaschine und deren Nutzungsverhalten, wie Intensität und Verteilung, Umgebungsbedingungen (Temperatur, Feuchte…), aber auch die inhaltliche Qualität der Messergebnisse sammelt. Wenn ein Kunde dies wünscht, stehen diese Informationen nur an der Maschine und für den Kunden direkt zur Verfügung. Er kann sie aber auch mit dem Service bei der Durchführung von Wartungsarbeiten teilen und diesem wichtige (anonyme) Daten mitgeben. Deep Learning beginnt dann, wenn der Kunde bereits ist, mit dem Messmaschinenhersteller seine Daten in Echtzeit zu teilen. Dies geht aber leider derzeit nur über Internet und schon sind Diskussionen über Datensicherheit auf dem Tisch, die man nur durch Vertrauen und einem Nutzen für beide Seiten gewinnen kann. Teilt der Maschinennutzer die Daten, können Algorithmen im Hintergrund nach Auffälligkeiten in den Maschinendaten suchen. Bekannte Auffälligkeiten und Fehlerketten bei einem oder mehreren Kunden (z.B. +22°C in der Fertigung und hohe Feuchte führen nach x Stunden zum Ausfall einer bestimmten Komponente) erlauben es dem Service dann, bereits proaktiv zu werden. Das Beste ist: je mehr Daten zur Verfügung stehen, umso besser werden die Voraussagen.

Fazit

Deep Learning Anwendungen zu bauen ist technisch keine große Herausforderung. Moderne Entwicklungsumgebungen bieten hier eine gute Basis für erste Lösungen. Das wesentliche Problem ist allerdings, das gemeinsame Vertrauen mit dem Kunden zu schaffen, dass man solche Daten sammel darf, ohne vorab den genauen Grund zu kennen. Nur wenn ein solches System mit sehr vielen Daten gefüttert wird, besteht die Chance, dass man neue und bisher unbekannte Zusammenhänge erkennt. Die Bereitschaft, Daten mit einem Maschinenhersteller zu teilen, ist derzeit leider noch begrenzt, da die versprochenen Einsparungen, z.B im Sinne geringer Servicekosten erst bewiesen werden müssen. Belastbare Ergebnisse hierfür zu liefern, ist der nächste Schritt zum Erfolg.