Abbildung eines Gehirns, das an Elektroden angeschlossen ist, vor blauem-schwarzem Hintergrund

Das Ziel des maschinellen Lernens ist laut Professor Matthias Hein von der Universität des Saarlandes die automatische Inferenz von Zusammenhängen und Mustern aus Daten. Das klassische Beispiel ist überwachtes Lernen. - Bild: Mopic - Fotolia

| von Susanne Nördinger

Daten produzieren viele Maschinen und Anlagen in Hülle und Fülle. Um aus dieser ‚Big-Data‘ sinnvoll zu nutzende ‚Smart Data‘ zu generieren, eignen sich Machine-Learning-Techniken. „Maschinelles Lernen macht es uns möglich, wichtige Merkmale und komplexe Beziehungen aus großen Mengen von Daten zu extrahieren“, erklärt Dr. Freek Stulp vom Deutschen Zentrum für Luft- und Raumfahrt (DLR).

Auf Basis dieser Merkmale könnten gelernte Modelle dann Vorhersagen machen. Diese Vorhersagen können laut Stulp benutzt werden, um industrielle Prozesse zu optimieren. Es gehe vor allem um Anwendungen, bei denen viele Daten vorhanden sind, aber Menschen sich schwer tun, darin wichtige Merkmale und Beziehungen zu finden.

„In der Industrie kann dies zum Beispiel eingesetzt werden, um Fehler durch Verschleiß vorherzusagen“, sagt Stulp. Statt Teile in regelmäßigen Abständen auszutauschen, könnten gelernte Modelle genau vorhersagen, wann diese Teile ausgetauscht werden müssen.

Forschung an Lernalgorithmen im Bereich Bildverarbeitung

Ziel des maschinellen Lernens ist laut Prof. Matthias Hein, Universität des Saarlandes (UdS), die automatische Inferenz von Mustern und Zusammenhängen aus Daten. Die ‚Machine Learning Group‘ an der UdS arbeitet aktuell daran, Lernalgorithmen im Bereich der Bildverarbeitung robuster zu machen etwa gegenüber Rauschen oder anderen Eingabetransformationen.

Ein weiteres Thema ist die ‚semantische Segmentierung‘. „Bei Algorithmen, vor allem im Bereich neuronaler Netze, benötigt man sehr viele Trainingsdaten“, erläutert Hein. Gerade in der Bildverarbeitung setzt das eine pixelgenaue Annotation voraus. Das sei unheimlich aufwendig. Heins Forschergruppe arbeitet daran, diesen Prozess zu vereinfachen.

Machine Learning in der Intralogistik

Fertigungshalle bei Framos, Einblick in die Intralogistik, bei der computergesteuerte Maschinen zum Einsatz kommen
In der Intralogistik sind Maschine-Learning-Techniken ebenfalls hilfreich. Framos hat hier im Bereich Qualitätsprüfung oder Sortierung von Gütern bereits verschiedene Großprojekte umgesetzt. - Bild: Framos

Framos bietet Machine-Learning-Techniken in Kombination mit Bildverarbeitung bereits an. Bei einem großen deutschen Fleischproduzenten überprüft die Technologie die Handhabbarkeit und Stapelbarkeit von E2-Fleischkisten.

„Ob eine bestimmte Fleischkiste in den normalen Produktionsprozess, in die Waschstraße oder den Müll wandert, kann dank Machine Learning zukünftig vollständig automatisiert direkt am Förderband entschieden und gesteuert werden“, sagt Dr. Christopher Scheubel, zuständig für IP und Business Development. Bisher wurde diese Einschätzung per Augenmaß von einem Menschen getroffen.

Welche Einsatzbereiche es in der Robotik gibt

Der Einsatz von Machine-Learning-Techniken im Bereich der Robotik ist für Matthias Fritz, Geschäftsführer Fanuc Deutschland, vielfältig: „Gelernt werden kann in einer Deep Learning Application auf unterschiedliche Weise, entweder durch Vorgaben aus einer Roboguide-Simulation oder durch Lernen aus der Applikation heraus wie in der Bin Picking-Zelle von Fanuc gezeigt wird. Hier lernt der Roboter ausschließlich über Algorithmen.“

Forschungsroboter bei Google
Roboterbewegungen selbstlernend – ohne menschliche Unterstützung – zu steuern, ist das Ziel einer Forschungsgruppe bei Google X. Die Leichtbau-Roboter sollen dabei Objekte selbstständig erkennen und greifen. - Bild: Google

Ein Anwendungsbereich ist auch die Mensch-Roboter-Interaktion. „Da nicht alle Roboteraufgaben vorher bekannt sind, kann die Steuerung nicht komplett vorprogrammiert werden“, sagt Stulp vom DLR. Stattdessen zeigt der Fabrikarbeiter dem Roboter, wie eine Aufgabe gelöst werden kann, indem er ihn buchstäblich ‚an die Hand nimmt‘. „Der Werker kann also dem Roboter während des Betriebs neue Fähigkeiten beibringen“, erklärt Stulp. Maschinelles Lernen werde oft eingesetzt, um aus den Demonstrationen des Werkers relevante Merkmale und Einschränkungen abzuleiten – und um zu bestimmen, wann und wie diese Fähigkeiten eingesetzt werden können.

Roboterbauer Kuka wiederum arbeitet an Lösungen rund um die vernetzte Produktion. „Unser Vorteil ist, dass wir über viele der benötigten Produktionsdaten bereits verfügen“, erläutert Senior Corporate Innovation Manager Dominik Bösl. Mit der neuen Lösung Kuka Connect, die Kuka-Produkte von Kunden mit der Cloud vernetzt, oder dem von Kuka unterstützten Software-Start-up-Unternehmen Connyun biete man erste Bausteine solcher Lösungen am Markt an.

Wie Maschinen über Augmented-Reality-Brillen bedient werden können

Auch Ulrich Hempen von Wago sieht Potenzial im Lernen aus Daten: „Im Bereich des Machine Learning erwarten wir, dass Mittel wie Augmented-Reality-Brillen zukünftig in der Maschinenbedienung und bei Wartungsarbeiten eingesetzt werden.“ Bei Wago selbst sind AR-Brillen noch nicht im Einsatz. Dies werde aber nicht mehr lange auf sich warten lassen.

Video: Die 11 besten AR-Brillen

Umfrage: Welches Potenzial hat Machine Learning aus Ihrer Sicht in der Industrie?

Abbildung von Matthias Fritz, Fanuc Deutschland GmbH, im dunklen Anzug mit weißem Hemd und bunter Krawatte
Matthias Fritz, Geschäftsführer Fanuc Deutschland GmbH. - Bild: Fanuc

Matthias Fritz, Geschäftsführer Fanuc Deutschland GmbH

„Nach wie vor erfordert die Automatisierung eine Menge Handarbeit. Machine Learning kann helfen, beim Teachen, beim Programmieren und auch beim Überwachen des laufenden Betriebes komplexe Schritte zu vereinfachen und zu automatisieren.

Daher hat Machine Learning mehrere Aspekte vom selbstlernenden Roboter bis zur selbstlernenden Überwachung von Maschinen, die große Bedeutung für einen störungsfreien Betrieb hat. Nicht zu vergessen: Durch geeignete Algorithmen optimiert sich eine Maschine selbst; das Ergebnis können kürzere Taktzyklen sein. Ich würde allerdings noch nicht so weit gehen, konkrete Potenziale in einzelnen Anwendungen zu quantifizieren. Zum jetzigen Zeitpunkt geht es aus unserer Sicht darum, sich bestimmte Aufgaben vorzunehmen und dabei die Möglichkeiten von Machine Learning oder Deep Learning zu nutzen. Diesen Ansatz halten wir für vielversprechend.“

Dr. Christopher Scheubel, IP & Business Development bei Framos

Abbildung von Dr. Christopher Scheubel, Framos, weißes Hemd
Dr. Christopher Scheubel, IP & Business Development bei Framos. - Bild: Framos

„Machine Learning ist aktuell einer der größten Treiber in der Industrie. Bei der Qualitätsprüfung oder Sortierung von Gütern kann fast jede Anwendung von Machine Learning profitieren und damit Zeit- und Kostenersparnisse realisieren. Insbesondere dort, wo momentan noch kognitive Fähigkeiten oder taktile und optische Testverfahren notwendig sind. Statt teurer und aufwendiger Röntgen- oder 3D-Laser-Messungen können auf Basis von Machine Learning zukünftig einfache Kamerasysteme mit integrierter Rechnereinheit eingesetzt werden. Natürlich gehen die Potenziale von Machine Learning weit über Sortier- und Qualitätsprüfungsanwendungen hinaus. Die automatisierte Steuerung ganzer Produktionsstraßen sowie der Intralogistik anhand selbstlernender Algorithmen hat gerade erst begonnen.“

Dominik Bösl, Senior Corporate Innovation Manager bei Kuka

Abbildung von Dominik Bösl, Kuka, im weißen Hemd
Dominik Bösl, Senior Corporate Innovation Manager bei Kuka. - Bild: Kuka

„In der Industrie ist Machine Learning zunächst einmal als Fähigkeit von Bedeutung, um große Datenmenge zu nutzen, zu analysieren und zu korrelieren, und dabei Zusammenhänge zu erkennen, die Menschen so nicht sehen können. Fällt ein Getriebeteil immer nach einer gewissen Belastungszeit aus, ist dies noch keine besondere Erkenntnis. Aber ob der Ausfall auch mit anderen Faktoren, wie zum Beispiel der letzten Wartung, ihres Zeitpunktes, Ortes oder der zuständigen Person zusammenhängt, lässt sich nur mithilfe von IT-gestützten Analysen erkennen.

Alle Daten sind zwar eigentlich schon vorhanden, aber nicht in der gewünschten Korrelation nutzbar. Somit ist Machine Learning der Schlüssel, um aus Big Data sogenannte Smart Data zu machen. Ein Bereich, der dabei für viele unserer Kunden relevant ist, ist das Schlagwort ‚Predictive Maintenance‘. Das Potenzial ist hierbei riesig, wir denken ganz besonders an Produktivitätssteigerungen.“

Matthias Hein, Prof. Mathematik und Computer Science, UdS

Abbildung von Matthias Hein, UdS, kariertes Hemd, Brille
Matthias Hein, Prof. Mathematik und Computer Science, UdS. - Bild: UdS

„In der Industrie wird Machine Learning bereits zur Vorhersage von Defekten, sprich zur Qualitätskontrolle genutzt. Möglich ist das aufgrund der vorhandenen Sensordaten, die eine Maschine zur Verfügung stellt. Diese ‚predictive Maintenance‘ ist schon weit verbreitet. Bei der Bildverarbeitung spielt Machine Learning ebenfalls eine große Rolle. Computer Vision wird hier zur Qualitätskontrolle eingesetzt.

Im Bereich Mensch-Roboter-Kollaboration kenne ich Anwendungen des sogenannten ‚Imitation learnings‘. Der Mensch macht in diesem Fall dem Roboter etwas vor und der Roboter ahmt die Bewegungen nach. Allerdings ist das noch ein Forschungsthema.

Außerhalb der produzierenden Industrie sagt Amazon zum Beispiel mithilfe von Machine-Learning-Techniken die Nachfrage von Produkten voraus. Entsprechend optimiert das Unternehmen dann auch seine Lagerhaltung. Schwierig ist das aber für Produkte, die nur selten nachgefragt werden.“

Video: Was ist Machine Learning?