maschinelles Lernen, überwachtes Lernen, Big Data, Matthias Hein

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

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

Maschine Learning, Intralogistik, Framos
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.

Einsatzbereiche in der Robotik

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.“

Robotik, maschinelles Lernen, Leichtbau-Roboter, 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.

Maschinenbedienung über Augmented-Reality-Brillen

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