PROJEKTE

Maschinen verstehen mit Clustering-Algorithmen

Für einen Kunden aus der Bergbauindustrie haben wir Modelle für das maschinelle Lernen entwickelt, die Maschinenzustände und deren Verhalten ohne menschliches Zutun erfassen und erlernen können. In einem Datenexplorationstool konnten diese Zustände und Verhaltensweisen in einer Art und Weise visualisiert werden, dass sie Fachexperten die Optimierung von Maschinenkonfigurationen ermöglichten.

Das Problem

Unser Kunde ist ein Großbetrieb für Industrietechnik, der unter anderem Bergbauausrüstungen herstellt. Das Unternehmen wollte sein traditionelles, auf Hardware basierendes Business um datengesteuerte und analytische Softwareprodukte erweitern, um neue Einnahmequellen zu erschließen. Ein Problem, das man auf diesem Weg lösen wollte, war das automatisierte Erfassen der unterschiedlichen Zustände einer Maschine – einschließlich der Frage, inwiefern sich diese Zustände ändern und voneinander abhängig sind. Das war entscheidend, um die Maschineneinstellungen zu verbessern und die Lebenszeit der Geräte zu steigern.

Der Ansatz

Bei SPRYFOX führten wir zuerst Experimente mit Clustering-Algorithmen durch, um automatisiert Maschinenzustände zu erlernen und den Übergang zwischen diesen Zuständen zu veranschaulichen. Ein entscheidender Schritt bestand darin, sicherzustellen, dass die Algorithmen in der Lage waren, aus einer Vielzahl von Sensor- und Protokolldaten einige wenige erklärbare und bedeutende Merkmale herauszufiltern.

Die Erklärbarkeit der automatisiert identifizierten Maschinenzustände erwies sich als essenziell, weswegen wir eine spezielle Visualisierungssoftware bereitstellten, mit deren Unterstützung der Kunde die Zustände erkunden, verstehen, bezeichnen und konfigurieren konnte. Die daraus resultierende Verständlichkeit wurde auf drei Ebenen erreicht.

1. Wertkombinationen bzw. typische Variablenbereiche für einzelne Zustände.

2. Zeit oder die Variabilität für die einzelnen Zustände.

3. Übergang bzw. das typische Übergangsverhalten zwischen Zuständen.

Die Lösung

Die entwickelte Lösung bestand in einem mächtigen Datenexplorer mit Schwerpunkt auf Verständlichkeit von Daten und einer übersichtlichen Benutzeroberfläche. Mit dieser Software konnte unser Kunde das Maschinenverhalten auf einfache Art und Weise nachvollziehen, es mit Fachleuten diskutieren und verbesserte Maschinenkonfigurationen ableiten.