I dati vengono generati continuamente in macchine e impianti di produzione. Le società che riescono a tradurre questi dati in novità ricavano vantaggi concorrenziali decisivi. Grazie a un software user-friendly, Weidmüller mette ora a disposizione dei costruttori di macchine e delle aziende produttrici metodi di intelligenza artificiale.

Per l’analisi di macchine e dati di processo con l’analitica industriale, vengono utilizzati modelli complessi in grado di rilevare anomalie o anche prevedere il comportamento futuro delle macchine. I metodi di intelligenza artificiale (AI) e di apprendimento automatico (ML) sono utilizzati per scoprire relazioni precedentemente sconosciute tra valori di misura utilizzando funzioni derivate da dati grezzi.

Competenze combinate necessarie

Le informazioni necessarie sono disponibili in quasi tutte le aziende. Nello sviluppo di modelli di analisi significativi, in particolare le imprese di medie dimensioni dipendono spesso ancora dal sostegno esterno degli scienziati dei dati. Weidmüller ha sviluppato una soluzione innovativa che consente loro di agire senza la necessità di risorse di scienziati dei dati. In stretta cooperazione con l’utente finale, gli esperti di dati individuano le correlazioni pertinenti nei valori di misura e addestrano il modello iniziale. Dopo un’applicazione riuscita, il modello iniziale viene ripetutamente alimentato con nuovi dati e ulteriormente sviluppato lungo l’intero ciclo di vita della macchina. Ciò aumenta la qualità dell’informazione nel tempo.

Apprendimento automatico

Molti costruttori di macchine e aziende di produzione non sono ancora in grado di utilizzare gli utensili di apprendimento automatico disponibili in modo indipendente, in quanto il loro funzionamento è stato ottimizzato per le attività basate sui dati degli esperti di analitica. Le aziende possono formare i propri dipendenti per un’enorme quantità di denaro o assumere uno scienziato dei dati. Ne consegue una soglia di inibizione che attualmente rallenta la diffusione dell’intelligenza artificiale nell’industria.

Un’alternativa consiste nello sviluppo di soluzioni di software che anche gli utenti senza alcuna formazione statistica siano in grado di comprendere per generare modelli di analisi. La business unit di analitica industriale di Weidmüller ha messo in pratica questa idea con il suo software automatizzato di apprendimento automatico. Il nome dell’applicazione implica che i modelli sono in gran parte sviluppati automaticamente.

“Applicazioni analoghe sono attualmente utilizzate nei settori fintech, banking e marketing. Tuttavia, le soluzioni esistenti non sono adatte per l’ingegneria meccanica e degli impianti, in quanto non supportano i tipi di dati pertinenti dell’industria di automazione. Necessitano sempre un database ideale”, spiega il Dr. Carlos Paiz Gatica, Product Manager alla business unit di analitica industriale. “Inoltre, non forniscono la capacità di integrare la conoscenza del dominio dell’utente, essenziale per le applicazioni industriali.”

Per il software di apprendimento automatico, gli esperti di analitica di Weidmüller combinano dati e informazioni dell'esperto di dominio con degli algoritmi per generare automaticamente dei modelli adatti. I seguenti passaggi di lavoro descrivono il processo di generazione del modello, utilizzando come esempio il rilevamento di anomalie:

1. Selezione dei dati di addestramento

L’esperto di dominio decide quali set di dati devono essere utilizzati per imparare il comportamento normale di una macchina o di un impianto. A questo scopo, viene prima generata una panoramica dei dati grezzi, che supporta l’utente nella valutazione del contenuto dell’informazione dei dati. La preparazione dei valori di misura avviene in modo completamente automatico.

2. Ingegneria delle funzioni

Se i dati grezzi non sono sufficienti, è possibile generare ulteriori informazioni sulla base di tali dati. L’utente può sfruttare la sua conoscenza del dominio per creare nuove funzioni. Queste possono descrivere, ad esempio, il corso del cambiamento della temperatura invece di mostrare solo singoli stati. Utilizzando tali funzioni, la condizione della macchina può spesso essere valutata meglio che con i dati grezzi.

3. Contrassegnare il comportamento della macchina

Con un’etichetta, l’utente contrassegna le aree nei dati in cui è presente un comportamento normale (verde) o indesiderato (rosso). Questo permette all’utente di aumentare il contenuto di informazioni dei dati di addestramento con la sua conoscenza del dominio. I sistemi di assistenza sostengono il processo di contrassegno evidenziando direttamente situazioni simili nel set di dati.

4. Addestramento del modello

I set di dati contrassegnati vengono convertiti in modelli e addestrati con vari metodi di ML. Questo processo completamente automatizzato si traduce in un elenco di modelli alternativi, che vengono forniti con informazioni sulla qualità del risultato, sui tempi di esecuzione e sulla durata dell’addestramento. Il cosiddetto Anomaly Score Plot rappresenta direttamente i risultati dei modelli, in modo che l’esperto possa confrontare direttamente la prestazione dei modelli. Se la prestazione del modello desiderata non è stata ancora raggiunta, l’utente può modificare nuovamente le funzioni e le etichette del modello. Il modello può quindi essere trasferito direttamente nell’architettura del sistema di destinazione.

Estensione delle applicazioni AI

“Con il software automatizzato di apprendimento automatico, i costruttori di macchine e le aziende di produzione possono sfruttare in modo indipendente i vantaggi dell’intelligenza artificiale e dell’apprendimento automatico, senza dover diventare essi stessi esperti di dati”, afferma Paiz. “L’applicazione universale supporta gli utenti sia nella generazione iniziale del modello che nello sviluppo ulteriore. In questo modo, le aziende non dipendono più dalle risorse degli scienziati dei dati e non né sono costrette a condividere le loro conoscenze di processo e di macchina con partner esterni”.