Makinelerde ve üretim tesislerinde sürekli olarak veri oluşturulur. Bu verileri yeniliklere dönüştürmekte başarılı olan şirketler belirleyici rekabet avantajları elde ederler. Weidmüller, kullanıcı dostu bir yazılımla makine üreticileri ve üretim şirketlerine sunduğu yapay zeka yöntemleri üretmektedir.
Makine ve proses verilerinin Endüstriyel Analitikle analizi için, anormallikleri algılayabilen ve hatta gelecekteki makine davranışlarını tahmin edebilen karmaşık modeller kullanılmaktadır. Ham verilerden türetilen özellikler kullanılarak ölçülen değerler arasında önceden bilinmeyen ilişkileri ortaya çıkarmak için yapay zeka (AI) yöntemleri ve makine öğrenimi (ML) kullanılır.
Birleştirilmiş teknik bilgi gerekir
Gerekli bilgiler neredeyse her şirkette mevcuttur. Anlamlı analiz modelleri geliştirilirken özellikle orta ölçekli şirketler genellikle hâlâ veri bilimcilerinin dışarıdan desteğine bağımlıdır. Weidmüller bu şirketlerin veri bilimcisi kaynaklarına ihtiyaç duymadan hareket etmesini sağlayan çığır açıcı bir çözüm geliştirmiştir. Veri uzmanları, son kullanıcı ile yakın iş birliği içinde, ölçülen değerlerdeki ilgili bağıntıları belirlemekte ve ilk modeli eğitmektedir. Başarılı bir uygulamadan sonra ilk model sürekli olarak yeni verilerle beslenir ve makinenin tüm yaşam döngüsü boyunca daha da geliştirilir. Bu durum zaman içinde bilginin kalitesini artırır.
Makine Öğrenimini Öğrenme
Birçok makine üreticisi ve üretim şirketi, operasyonları analitik uzmanlarının veriye dayalı faaliyetleri için optimize edilmiş olduğundan mevcut makine öğrenimi araçlarını henüz bağımsız olarak kullanamamıştır. Şirketler ya mevcut çalışanlarını çok büyük paralar karşılığında eğitebilir ya da kendileri için bir veri bilimcisi tutabilir. Bu da şu anda yapay zekanın sanayide yayılmasını yavaşlatan bir engellenme eşiğine neden olmaktadır.
Bir diğer alternatif ise, herhangi bir istatistiksel eğitimi olmayan kullanıcıların bile analitik modelleri anlayabileceği ve üretebileceği, kullanıcı dostu yazılım çözümleri geliştirmektir. Weidmüller'in Endüstriyel Analitik iş birimi bu fikri otomatik makine öğrenimi yazılımı ile hayata geçirmiştir. Uygulamanın adı, modellerin büyük ölçüde otomatik olarak geliştirildiği anlamını taşımaktadır.
Finans teknolojisi, bankacılık ve pazarlama alanlarında şu anda benzer uygulamalar kullanılmaktadır. Ancak mevcut çözümler otomasyon endüstrisinden gelen ilgili veri tiplerini desteklemediği için bu çözümler makine ve tesis mühendisliği açısından uygun değildir. Bunlar için her zaman ideal bir veri tabanına ihtiyaç duyulmaktadır." diye açıklıyor BU Industrial Analytics Ürün Müdürü Dr Carlos Paiz Gatica. Ayrıca endüstriyel uygulamalar için büyük önem taşıyan, kullanıcının alan bilgisini entegre etme olanağı da sunmuyorlar."
Otomatik makine öğrenimi yazılımı için, Weidmüller'in analitik uzmanları, otomatik olarak uygun modeller üretmek üzere alan uzmanının verilerini ve bilgilerini algoritmalarla birleştirmektedir. Aşağıdaki çalışma adımları, örnek olarak anormallik algılamasını kullanarak model oluşturma prosesini açıklamaktadır:
1. Eğitim verilerinin seçimi
Alan uzmanı, bir makinenin veya tesisin normal davranışını öğrenmek için hangi veri kümelerinin kullanılması gerektiğine karar verir. Bu amaçla ilk olarak ham verinin bir özeti oluşturulur ve bu özet kullanıcıya verilerin bilgi içeriğini değerlendirme konusunda destek sunar. Ölçülen değerlerin hazırlanması tamamen otomatik olarak gerçekleşir.
2. Özellik mühendisliği
Ham veri yeterli değilse kendi temelinde ek bilgiler oluşturulabilir. Kullanıcı yeni özellikler oluşturmak için kendi alan bilgisini kullanabilir. Bunlar, örneğin, yalnızca tek tek durumları göstermek yerine sıcaklık değişiminin seyrini açıklayabilir. Bu özellikleri kullanarak makine durumu genellikle ham verilerle olduğundan daha iyi değerlendirilebilir.
3. Makinenin davranışını etiketleme
Bir etiketle, kullanıcı verilerde normal (yeşil) veya istenmeyen (kırmızı) bir davranışın bulunduğu alanları işaretler. Bu durum, kullanıcının, alan bilgisiyle, eğitim verilerinin bilgi içeriğini artırmasını sağlar. Yardım sistemleri, veri kümesindeki benzer durumları doğrudan vurgulayarak etiketleme sürecini destekler.
4. Model eğitimi
Etiketli veri kümeleri modellere dönüştürülür ve çeşitli ML yöntemleriyle eğitilir. Bu tam otomatik proses; sonucun kalitesi, uygulama süresi ve eğitim süresi ile ilgili bilgilerle sunulan bir alternatif modeller listesiyle sonuçlanır. Anormallik Puan Çizelgesi adı verilen çizelge, uzmanın modellerin performansını doğrudan karşılaştırabilmesi için doğrudan modellerin sonuçlarını temsil eder. İstenen model performansı henüz elde edilmemişse kullanıcı modelin özelliklerini ve etiketlerini yeniden düzenleyebilir. Model daha sonra doğrudan hedef sistemin mimarisine aktarılabilir.
AI uygulamalarını genişletme
Paiz, "Otomatik makine öğrenimi yazılımıyla makine üreticileri ve üretim şirketleri kendileri de veri uzmanı haline gelmek zorunda kalmadan yapay zeka ve makine öğreniminin avantajlarından bağımsız olarak faydalanma olanağına sahip oluyor." diyor. "Evrensel uygulama, kullanıcıları hem ilk model oluşturmada hem de daha fazla geliştirmede desteklemektedir. Bu şekilde şirketler artık veri bilimcilerin kaynağına bağımlı değil ve proses ve makine bilgilerini harici ortaklarla paylaşmak zorunda kalmıyor."
Furkan Özdemir
Otomasyon Uygulama Mühendisi