Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Oliver Niggemann
Overview Talk
Lehrstuhl Informatik im Maschinenbau Institut für Automatisierungstechnik
Helmut-Schmidt-Universität / Universität der Bundeswehr Hamburg
email: [email protected] https://www.hsu-hh.de/imb/
KI-Informationstag 10. Februar 2020 in der Handelskammer Hamburg
Künstliche Intelligenz und Maschinelles Lernen für die Produktion
Definitionen Künstliche Intelligenz
Künstliche Intelligenz bezeichnet Computersysteme, die Aufgaben lösen, die ansonsten nur Menschen lösen können.
Künstliche Intelligenz bezeichnet Computersysteme, die (i) in nicht-vordefinierten Situation selbstständig ein vorgegebenes Ziel erreichen
und (ii) lernfähig
sind.
Künstliche Intelligenz (KI) und Maschinelles Lernen (ML)
https://commons.wikimedia.org/wiki/File:VanDusen_Botanical_Garden_maze.jpg
Risiko KI
https://commons.wikimedia.org/wiki/File:VanDusen_Botanical_Garden_maze.jpg
Entscheidung 1: Investition in Datenqualität
ConditionMonitoring 1
Network
Controller Controller
Produktionsanlage
ConditionMonitoring 2
EnergieÜberwachung
PredictiveMaintenance
Diagnose
EnergieOptimierung
PredictiveMaintenance 2Deep
Learning
Clustering
?
Das Problem
ConditionMonitoring 1
Network
Controller Controller
Produktionsanlage
Lösung 1: Manuelles Engineering
ConditionMonitoring 2
EnergieÜberwachung
PredictiveMaintenance
Diagnose
EnergieOptimierung
PredictiveMaintenance 2Deep
Learning
Clustering
ConditionMonitoring 1
Network
Controller Controller
Produktionsanlage
ConditionMonitoring 2
EnergieÜberwachung
PredictiveMaintenance
Diagnose
EnergieOptimierung
PredictiveMaintenance 2Deep
Learning
Clustering
Einheitliche Datenhaltung
Lösung 2: Datensemantik und einheitliche Datenhaltung
50 W …..
Lösung 2: Datensemantik und einheitliche Datenhaltung
KI / ML
Semantik /Information-
Model
Daten
50 W …..
Overall Power: Watt …..
Typeben
type-of
Lösung 2: Datensemantik und einheitliche Datenhaltung
KI / ML
Semantik /Information-
Model
Daten
50 W …..
10 Products/min …..
MES
1000 € / Product …..
ERP
Overall Power: Watt …..
Typeben
type-of
Lösung 2: Datensemantik und einheitliche Datenhaltung
KI / ML
Semantik /Information-
Model
Daten
50 W …..
10 Products/min …..
MES
1000 € / Product …..
ERP
50 W …..
Overall Power: Watt …..
Typeben
type-of
Lösung 2: Datensemantik und einheitliche Datenhaltung
KI / ML
Semantik /Information-
Model
Daten
Semantik /Information-
Model
50 W …..
10 Products/min …..
MES
1000 € / Product …..
ERP
50 W …..
Overall Power: Watt …..
Typeben
type-of
Overall Power: Watt …..
Typeben
type-of
Lösung 2: Datensemantik und einheitliche Datenhaltung
KI / ML
Semantik /Information-
Model
Daten
Semantik /Information-
Model
50 W …..
10 Products/min …..
MES
1000 € / Product …..
ERP
50 W …..
Overall Power: Watt …..
Typeben
type-of
Overall Power: Watt …..
Typeben
type-of
Lösung 2: Datensemantik und einheitliche Datenhaltung
KI / ML
Semantik /Information-
Model
Daten
Semantik /Information-
ModelKI / ML
Producer „Festo“, Type „X3Z5“ Characteristic Curve: Height 15cm, Width 35 cm ….
EinheitlicheBeschreibung
Producers: String, Height: cm, ….
EinheitlicherFormalismus
Asset/ Device
Typebene
Instanz-ebene
Lösung 2: Datensemantik mit OPC UA
OPC UA
OPC UA Information ModelAsset/ Device
Producer „Festo“, Type „X3Z5“ Characteristic Curve: Height 15cm, Width 35 cm ….
EinheitlicheBeschreibung
Producers: String, Height: cm, ….
EinheitlicherFormalismus
Lösung 2: Datensemantik mit OPC UA
Asset/ Device
Producer „Festo“, Type „X3Z5“ Characteristic Curve: Height 15cm, Width 35 cm ….
EinheitlicheBeschreibung
Producers: String, Height: cm, ….
EinheitlicherFormalismus
Hole Information
Regelung & Optimierung
Hole Information, z.B. Topologie
Überwachung
Lösung 2: Datensemantik mit OPC UA
OPC UA für Kunststoff- und Gummimaschinen (EUROMAP77)
Standardisierter Austausch von Daten
Offener herstellerübergreifender Standard
Modularer (objektorientierter) Aufbau
Reagieren auf Wertänderungen
Definition von Ereignissen/Alarmen
OPC UAfor EUROMAP 77.2
OPC UAfor EUROMAP 77.1
OPC UA
MachineType
BaseObjectType
MachineInformationType:MachineInformation
MachineConfigurationType: MachineConfiguration
MachineStatusType:MachineStatus
InjectionUnitType:InjectionUnit
MouldsType:Moulds
PowerUnitsType:PowerUnits
JobsType:Jobs
OPC UAfor EUROMAP 77.3
DatasetManagementType:DatasetManagement
PropertyType :SupportedLogbookEvents
[1] Dr. Harald Weber, VDMA
Lösung 2: Datensemantik mit OPC UA
https://commons.wikimedia.org/wiki/File:VanDusen_Botanical_Garden_maze.jpg
Entscheidung 2: Wahl der ML Verfahren
Source: scikit-learn user guide Release 0.22.dev0
Source: scikit-learn user guide Release 0.22.dev0 and https://en.wikipedia.org/wiki/Types_of_artificial_neural_networks
Contents 1 Feedforward 1.1 Group method of data handling 1.2 Autoencoder 1.3 Probabilistic 1.4 Time delay 1.5 Convolutional 1.6 Deep stacking network 2 Regulatory feedback 3 Radial basis function (RBF) 3.1 How RBF networks work 3.2 General regression neural network 3.3 Deep belief network 4 Recurrent neural network 4.1 Fully recurrent 4.2 Simple recurrent 4.3 Reservoir computing 4.4 Long short-term memory 4.5 Bi-directional 4.6 Hierarchical 4.7 Stochastic 4.8 Genetic Scale 5 Modular 5.1 Committee of machines 5.2 Associative 6 Physical 7 Other types 7.1 Instantaneously trained 7.2 Spiking 7.3 Regulatory feedback 7.4 Neocognitron 7.5 Compound hierarchical-deep models 7.6 Deep predictive coding networks 7.7 Multilayer kernel machine 8 Dynamic 8.1 Cascading 8.2 Neuro-fuzzy 8.3 Compositional pattern-producing 9 Memory networks 9.1 One-shot associative memory 9.2 Hierarchical temporal memory 9.3 Holographic associative memory 9.4 LSTM-related differentiable memory structures 9.5 Neural Turing machines 9.6 Semantic hashing 9.7 Pointer networks 10 Hybrids 10.1 Encoder–decoder networks 11 See also 12 References
Source: scikit-learn user guide Release 0.22.dev0 and https://en.wikipedia.org/wiki/Types_of_artificial_neural_networks
Contents 1 Feedforward 1.1 Group method of data handling 1.2 Autoencoder 1.3 Probabilistic 1.4 Time delay 1.5 Convolutional 1.6 Deep stacking network 2 Regulatory feedback 3 Radial basis function (RBF) 3.1 How RBF networks work 3.2 General regression neural network 3.3 Deep belief network 4 Recurrent neural network 4.1 Fully recurrent 4.2 Simple recurrent 4.3 Reservoir computing 4.4 Long short-term memory 4.5 Bi-directional 4.6 Hierarchical 4.7 Stochastic 4.8 Genetic Scale 5 Modular 5.1 Committee of machines 5.2 Associative 6 Physical 7 Other types 7.1 Instantaneously trained 7.2 Spiking 7.3 Regulatory feedback 7.4 Neocognitron 7.5 Compound hierarchical-deep models 7.6 Deep predictive coding networks 7.7 Multilayer kernel machine 8 Dynamic 8.1 Cascading 8.2 Neuro-fuzzy 8.3 Compositional pattern-producing 9 Memory networks 9.1 One-shot associative memory 9.2 Hierarchical temporal memory 9.3 Holographic associative memory 9.4 LSTM-related differentiable memory structures 9.5 Neural Turing machines 9.6 Semantic hashing 9.7 Pointer networks 10 Hybrids 10.1 Encoder–decoder networks 11 See also 12 References
The number of hidden layers, number of neurons in each. Learning rate Momentum Number of epochs to train L2 costs per weight layer. Dropouts per weight layer. Momentum for pre-training. L2 costs per weight layer, Number of epochs to pre-train Scale of the randomly initialized weights. Number of nonzero incoming connections to a hidden unit. Output activation function
Source: scikit-learn user guide Release 0.22.dev0 and https://en.wikipedia.org/wiki/Types_of_artificial_neural_networks
Contents 1 Feedforward 1.1 Group method of data handling 1.2 Autoencoder 1.3 Probabilistic 1.4 Time delay 1.5 Convolutional 1.6 Deep stacking network 2 Regulatory feedback 3 Radial basis function (RBF) 3.1 How RBF networks work 3.2 General regression neural network 3.3 Deep belief network 4 Recurrent neural network 4.1 Fully recurrent 4.2 Simple recurrent 4.3 Reservoir computing 4.4 Long short-term memory 4.5 Bi-directional 4.6 Hierarchical 4.7 Stochastic 4.8 Genetic Scale 5 Modular 5.1 Committee of machines 5.2 Associative 6 Physical 7 Other types 7.1 Instantaneously trained 7.2 Spiking 7.3 Regulatory feedback 7.4 Neocognitron 7.5 Compound hierarchical-deep models 7.6 Deep predictive coding networks 7.7 Multilayer kernel machine 8 Dynamic 8.1 Cascading 8.2 Neuro-fuzzy 8.3 Compositional pattern-producing 9 Memory networks 9.1 One-shot associative memory 9.2 Hierarchical temporal memory 9.3 Holographic associative memory 9.4 LSTM-related differentiable memory structures 9.5 Neural Turing machines 9.6 Semantic hashing 9.7 Pointer networks 10 Hybrids 10.1 Encoder–decoder networks 11 See also 12 References
The number of hidden layers, number of neurons in each. Learning rate Momentum Number of epochs to train L2 costs per weight layer. Dropouts per weight layer. Momentum for pre-training. L2 costs per weight layer, Number of epochs to pre-train Scale of the randomly initialized weights. Number of nonzero incoming connections to a hidden unit. Output activation function
Es gibt keinen Experten für KI/ML!
KI/ML besteht aus Dutzenden von völlig unterschiedlichen Teilgebieten!
Es gibt keine COTS Zukaufs-Software für alle Problemstellungen!
Die Auswahl von Werkzeugen, Kooperationen, Forschungspartnern für KI/ML sollte sorgfältig erfolgen
Quelle: https://commons.wikimedia.org/wiki/Pizza#/media/File:((peperoni_pizza))_Al_Forno,_Quito.JPG
Network
Controller Controller
Produktionsanlage
Daten
Datenaufnahme
Daten-analyse
Dateninterpretation
Data Science: Manuelle Dateninterpretation
Data Science: ML in geschlossenen Regelkreisen
KlassischeRegelung
ML-basierteRegelung
Plannung
Automatisert
Selbstoptimiert
Autonom
https://commons.wikimedia.org/wiki/File:VanDusen_Botanical_Garden_maze.jpg
0 1 1
NeuralNet
https://commons.wikimedia.org/wiki/File:VanDusen_Botanical_Garden_maze.jpg
Entscheidung 3: Wahl des Geschäftsmodell
Konsistente
Semantisch-Annotierte
Datenbank/Cloud
Optimierung
Neue
Mär
kte
Der einfache Weg: Suchen Sie einen Quick-Winzur Optimierung Ihrer Prozesse
Der mutige Weg: Suchen Sie einen Quick-Winin einemneuen Markt
Nutzen Sie die Quick-Win zur Etablierung einer guten Datenbasis
Optimierung oder neues Produkt?
Optimierung oder neues Produkt?
Konsistente
Semantisch-Annotierte
Datenbank/Cloud
Optimierung
Neue
Mär
kte
Der einfache Weg: Suchen Sie einen Quick-Winzur Optimierung Ihrer Prozesse
Der mutige Weg: Suchen Sie einen Quick-Winin einemneuen Markt
Nutzen Sie die Quick-Win zur Etablierung einer guten Datenbasis
Quelle: https://commons.wikimedia.org/wiki/File:BBildschirmtext_reconstruction.png
Konsistente
Semantisch-Annotierte
Datenbank/Cloud
Optimierung
Neue
Mär
kte
Der einfache Weg: Suchen Sie einen Quick-Winzur Optimierung Ihrer Prozesse
Der mutige Weg: Suchen Sie einen Quick-Winin einemneuen Markt
Nutzen Sie die Quick-Win zur Etablierung einer guten Datenbasis
KI Einführung
Quelle: https://v-i-r.de/chart/buchungswege-von-urlaubsreisen/
Konsistente
Semantisch-Annotierte
Datenbank/Cloud
Optimierung
Neue
Mär
kte
Der einfache Weg: Suchen Sie einen Quick-Winzur Optimierung Ihrer Prozesse
Der mutige Weg: Suchen Sie einen Quick-Winin einemneuen Markt
Nutzen Sie die Quick-Win zur Etablierung einer guten Datenbasis
KI Einführung
Konsistente
Semantisch-Annotierte
Datenbank/Cloud
Optimierung
Neue
Mär
kte
Der einfache Weg: Suchen Sie einen Quick-Winzur Optimierung Ihrer Prozesse
Der mutige Weg: Suchen Sie einen Quick-Winin einemneuen Markt
Nutzen Sie die Quick-Win zur Etablierung einer guten Datenbasis
KI Einführung in der Produktion
• Logistikoptimierung • Predictive Maintenance • Vertriebsunterstützung • ….
• Service as a Product • Data as a Product • Losgröße-1 • ….
Manche Entscheidungen brauchen Planung!
Wieviel Investition in Datenqualität?
Welche ML Verfahren?
Welches Geschäftsmodell?
DankeUniv.-Prof. Dr. Oliver Niggemann Institut für Automatisierungstechnik Helmut-Schmidt-Universität / Universität der Bundeswehr Hamburg Holstenhofweg 85, 22043 Hamburg tel.: 040 / 6541-2722 email: [email protected]