Les dans les machines et les usines de production génèrent des données en continu. Les entreprises qui réussissent à traduire ces données en nouveautés obtiennent des avantages concurrentiels décisifs. Grâce à un logiciel convivial, Weidmüller met désormais des méthodes d'intelligence artificielle à la disposition des constructeurs de machines et des entreprises de fabrication.

L'analyse de la machine et des données du processus avec Industrial Analytics nécessite des modèles complexes capables de détecter des anomalies ou même de prévoir le comportement futur de la machine. Les méthodes d'intelligence artificielle (IA) et d'apprentissage machine (ML) sont utilisées pour découvrir des relations inconnues auparavant entre des valeurs de mesure à l'aide de caractéristiques dérivées de données brutes.

Savoir-faire combiné nécessaire

Les informations nécessaires sont disponibles dans presque toutes les sociétés. Lors de l'élaboration de modèles d'analyse pertinents, les entreprises de taille moyenne, en particulier, dépendent encore souvent du soutien externe de scientifiques des données. Weidmüller a développé une solution révolutionnaire qui lui permet d'agir sans avoir besoin de données scientifiques. En coopération étroite avec l'utilisateur final, les experts en données identifient les corrélations pertinentes dans les valeurs de mesure et forment le modèle initial. Après une application réussie, le modèle initial est alimenté à plusieurs reprises avec de nouvelles données et développé plus avant tout au long du cycle de vie de la machine. Cela augmente la qualité des informations au fil du temps.

Apprentissage machine

De nombreux constructeurs et fabricants de machines n'ont pas encore été en mesure d'utiliser les outils d'apprentissage automatique disponibles de manière indépendante, car leur fonctionnement a été optimisé pour les activités axées sur les données des experts en analytique. Les entreprises peuvent soit former leurs employés existants pour une énorme somme d'argent, soit embaucher elles-mêmes un scientifique des données. Il en résulte un seuil d'inhibition qui ralentit actuellement la propagation de l'intelligence artificielle dans l'industrie.

Une alternative consiste à développer des solutions de logiciels conviviales que même les utilisateurs sans aucune formation statistique sont capables de comprendre et de générer. L'unité d'analyse industrielle de Weidmüller a mis en pratique cette idée avec son logiciel d'apprentissage machine automatisé. Le nom de l'application elle-même implique que les modèles sont en grande partie développés automatiquement.

« Des applications similaires sont actuellement utilisées dans les domaines de la technologie financière, de la banque et du marketing. Cependant, les solutions existantes ne sont pas valables pour l'ingénierie des machines et des installations, car elles ne prennent pas en charge les types de données pertinents de l'industrie de l'automatisation. Ils demandent toujours une base de données idéale », explique le Dr Carlos Paiz Gatica, responsable de Produit du service Industrial Analytics. « En outre, ils ne permettent pas d'intégrer les connaissances de domaine de l'utilisateur, ce qui est essentiel pour les applications industrielles. »

Pour le logiciel d'apprentissage machine automatique, les experts en analyse de Weidmüller associent les données et l'information de l'expert du domaine avec des algorithmes pour générer automatiquement des modèles valables. Les étapes de travail suivantes décrivent le process de génération de modèles utilisant la détection d'anomalies comme exemple :

1. Sélection des données de formation

L'expert du domaine décide quels jeux de données doivent être utilisés pour apprendre le comportement normal d'une machine ou d'une installation. À cet effet, un aperçu des données brutes est d'abord généré, ce qui permet à l'utilisateur d'évaluer le contenu des informations des données. La préparation des valeurs de mesure est entièrement automatique.

2. Ingénierie des caractéristiques

Si les données brutes ne sont pas suffisantes, des informations supplémentaires peuvent être générées sur cette base. L'utilisateur peut utiliser ses connaissances dans ce domaine pour créer de nouvelles caractéristiques. Elles peuvent, par exemple, décrire l'évolution de la température au lieu de montrer uniquement les états individuels. En utilisant de telles caractéristiques, l'état de la machine peut souvent être mieux évalué qu'avec les données brutes.

3. Marquer le comportement de la machine

Avec une plaquette de marquage, l'utilisateur marque des zones dans les données dans lesquelles un comportement normal (vert) ou indésirable (rouge) est présent. Cela permet à l'utilisateur d’enrichir le contenu des informations des données de formation avec ses connaissance du domaine. Les systèmes d'assistance appuient le process de marquage en mettant directement en évidence des situations similaires dans l'ensemble de données.

4. Formation des modèles

Les ensembles de données marqués sont convertis en modèles et entraînés à l'aide de diverses méthodes ML. Ce process entièrement automatisé donne lieu à une liste de modèles alternatifs, qui fournissent des informations sur la qualité du résultat, le temps d'exécution et la durée de la formation. Le tracé dit de score d'anomalie représente directement les résultats des maquettes de sorte que l'expert puisse comparer directement la puissance de celles-ci. Si la puissance souhaitée n'a pas encore été réalisée, l'utilisateur peut à nouveau modifier les caractéristiques et plaquettes de marquage du modèle. Le modèle peut ensuite être transféré directement dans l'architecture du système cible.

Élargissement des applications de l'IA

« Avec le logiciel d'apprentissage machine automatique, les constructeurs et les fabricants de machines ont la possibilité d'exploiter de manière indépendante les avantages de l'intelligence artificielle et de l'apprentissage machine, sans avoir à devenir eux-mêmes des experts en données », explique le Dr Paiz. « L'application universelle aide les utilisateurs à la fois dans la génération initiale de modèles et dans le développement ultérieur. De cette manière, les entreprises ne sont plus dépendantes des ressources des scientifiques des données et n'ont pas à partager leurs connaissances du process et de la machine avec des partenaires externes. »