Machine Learning im Schaltschrank
Daten sind der Rohstoff des 21. Jahrhunderts. Sie werden in jeder Maschine, jeder Anlage und jedem Prozess permanent erzeugt. Mit geeigneter Hard- und Software lässt sich dieser wertvolle Datenschatz heben und per Machine Learning (ML) in Informationen umwandeln. So sind vorausschauende Service- und Wartungskonzepte (Predictive Maintenance), Qualitätsverbesserungen (Predictive Quality), Produktivitätssteigerungen (Predictive Efficiency) oder ML-basierte Anomalie-Erkennungen möglich. SSV hat zur Hannover Messe 2019 ein passendes Gateway parat.
Daten sind der Rohstoff des 21. Jahrhunderts. Sie werden in jeder Maschine, jeder Anlage und jedem Prozess permanent erzeugt. Mit geeigneter Hard- und Software lässt sich dieser wertvolle Datenschatz heben und per Machine Learning (ML) in Informationen umwandeln. So sind vorausschauende Service- und Wartungskonzepte (Predictive Maintenance), Qualitätsverbesserungen (Predictive Quality), Produktivitätssteigerungen (Predictive Efficiency) oder ML-basierte Anomalie-Erkennungen möglich. SSV hat zur Hannover Messe 2019 ein passendes Gateway parat.
Im IIoT-Umfeld müssen brauchbare Daten zunächst durch spezielle Sensorik erzeugt, verknüpft und aufbereitet werden. Danach erfolgt die Informationsgewinnung mit entsprechenden ML-Algorithmen. Anschließend stehen die Informationen sowohl lokal (z. B. per OPC UA) als auch mit Hilfe einer Cloud zur weiteren Nutzung zur Verfügung.
SSV zeigt auf der Hannover Messe zu diesem Thema mit dem IGW/941 ein kompaktes Edge-Gateway mit vorinstallierten ML-Algorithmen und diversen Data Science-Bausteinen für industrielle Applikationen. Damit lassen sich Anwendungen erstellen, die beispielsweise Sensordaten erfassen, per Klassifizierung oder Regression in Informationen umwandeln und das Ergebnis per OPC UA oder MQTT weitergeben.
Zum IGW/941 gehören vorkonfigurierte und sofort einsatzbereite Entwicklungswerkzeuge für die ML-Trainingsphase und Modellbildung. Des Weiteren bietet SSV allen IGW/941-Nutzern ein Webinar mit folgenden Inhalten: 1. Grundlegende Prinzipien und Terminologie des maschinellen Lernens. 2. Ein vollständiger Machine-Learning-Prozess, einschließlich Sensordatenerfassung, Datenaufbereitung, Modellierung und Modellbewertung. 3. Bestimmen der Modellgenauigkeit und Anpassen der Hyperparameter. 4. Den Ausgang eines Machine-Learning-Algorithmus mit anderen Systemen verbinden.
Teilen Sie die Meldung „Machine Learning im Schaltschrank“ mit Ihren Kontakten:
