Herzlich Willkommen beim beam-Verlag in Marburg, dem Fachverlag für anspruchsvolle Elektronik-Literatur.


Wir freuen uns, Sie auf unserem ePaper-Kiosk begrüßen zu können.

Aufrufe
vor 1 Jahr

8-2018

  • Text
  • Elektromechanik
  • Antriebe
  • Stromversorgung
  • Feldbusse
  • Kommunikation
  • Robotik
  • Qualitaetssicherung
  • Bildverarbeitung
  • Automatisierungstechnik
  • Sensorik
  • Visualisieren
  • Regeln
  • Msr
  • Boards
  • Systeme
  • Sbc
  • Ipc
  • Pc
  • Software
  • Automation
Fachzeitschrift für Industrielle Automation, Mess-, Steuer- und Regeltechnik

Editorial Von der

Editorial Von der Information zur Wertschöpfung mit Machine Learning Klaus Löckel, Managing Director EuroCentral, Dassault Systèmes Wir erleben heute, wie die digitale Transformation über konkrete Anwendungen in Industrie und Wirtschaft hinaus unseren Alltag verändert. Sie verändert die Art und Weise, wie wir unsere Berufe ausüben, wie wir miteinander und mit Maschinen interagieren. Aber sie stellt uns auch Fragen zur Datensicherheit, wie wir mit unseren Daten umgehen und wer davon profitiert. Und sie fragt uns, wie wir ihre Technologien nutzen, wo sie uns unterstützen und entlasten kann. Künstliche Intelligenz (KI) ist dabei ein Gebiet, das besonders starke Emotionen hervorruft. Es werden teils verstörende Zukunftsszenarien heraufbeschwört. Gleichzeitig werden Pilotprojekte präsentiert, die beeindruckende, aber nicht notwendigerweise praxisreife Anwendungen für KI demonstrieren. Das alles kann Berührungsängste schüren. Dabei könnte man das Thema genauso gut von der anderen Seite betrachten und im Kleinen anfangen. Machine Learning (ML) ist ein Aspekt von KI, der ganz pragmatisch zeigt, wo die Technologie heute schon und ganz konkret ein Gewinn sein und zur Wertschöpfung beitragen kann. Maschinelles Lernen bedeutet, dass Programmierer nicht mehr alle Eventualitäten der Anwendung eines Systems bedenken und basierend darauf jeden einzelnen Arbeitsschritt einer Maschine codieren müssen. Stattdessen programmieren sie Lernmethoden. So werden Maschinen in die Lage versetzt, selbstständig Wissen aus Erfahrungen aufzubauen. Sie erkennen automatisch Muster und Korrelationen in großen Mengen von Daten und leiten daraus Regeln und letztendlich auch Vorhersagen ab. Die Maschine führt dadurch ihre Arbeitsschritte in einer komplexen Umwelt immer besser aus. Was es dazu braucht sind Informationen. Sämtliche Daten müssen entlang der Wertschöpfungskette gesammelt, integriert und analysiert werden. Idealerweise geschieht dies auf einer zentralen Business-Plattform, welche relevante Informationen aus allen Teilen der Wertschöpfungskette bündelt und die passenden Tools zur Auswertung bereitstellt. Bei einer Plattformnutzung in der Cloud entfallen zudem aufwändige IT-Infrastrukturinstallationen, welche die Analyse großer Datenmengen erfordern würde. Die Chancen von ML werden anhand von Predictive Maintenance besonders deutlich. Auf Basis der Regeln, die eine Maschine gelernt hat, ist sie in der Lage, abweichende Statusmeldungen zu erkennen, noch bevor sich ein Defekt ankündigt. Je größer die Datenbank von Ausfällen angelegt ist, welche der Maschine zum „Lernen“ gefüttert wurden, desto genauer kann sie den Defektablauf berechnen und den optimalen Wartungszeitpunkt bestimmen. Letztendlich werden so die Prozessabläufe optimiert und die Effizienz der Produktion gesteigert. Die Bild- und Spracherkennung sind neben Themen wie Programmiersprachen oder Algorithmen die wichtigsten Funktionen von ML. In der Produktionshalle hilft die Analyse von Bildern, fehlerhafte oder falsch eingefärbte Komponenten auf Fließbändern zu erkennen. Auch hier werden die Analysen umso präziser, je mehr Bilder solcher fehlerhaften Teile das System bereits kennt. Doch ML schafft nicht nur Chancen zur Effizienzsteigerung. Die Technologie hat das Potential, völlig neue Geschäftsmodelle zu ermöglichen. Die Auswertung und Aufbereitung von Daten schafft sogenannte smarte Produkte, die ihre „Intelligenz“ aus einem großen Erfahrungsschatz an Daten schöpfen. Beispielsweise berechnen Mobilitätsdienstleister auf den User zugeschnittene, optimierte Reiserouten, welche die Präferenzen für bestimmte Wege und Fortbewegungsmittel berücksichtigen. Diese Geschäftsmodelle entfernen sich immer weiter vom klassischen Produkt und konzentrieren sich stattdessen darauf, dem Nutzer in Echtzeit maßgeschneiderte Erfahrungen zu bieten und letztlich positive Erlebnisse. Trotz des disruptiven Potentials von ML wird anhand der Anwendungsbeispiele deutlich, dass man nicht das eigene Geschäftsmodell neu erfinden muss, um die Möglichkeiten von ML und KI gewinnbringend für sich zu nutzen. Die Digitalisierung und ihre Potentiale entfalten sich auch und erst recht in einer Implementierung in kleinen Schritten. ML bietet zahlreiche Möglichkeiten, schon heute mit der Optimierung von Produktions- und anderen Prozessen zu beginnen. Klaus Löckel, Dassault Systèmes, www.3ds.com PC & Industrie 8/2018 3

Fachzeitschriften

7-2019
7-2019
3-2019
2-2019
3-2019

hf-praxis

7-2019
6-2019
5-2019
4-2019
3-2019
2-2019
1-2019
Best_Of_2018
12-2018
11-2018
10-2018
9-2018
8-2018
7-2018
6-2018
5-2018
4-2018
3-2018
2-2018
1-2018
EF 2018/2019
12-2017
11-2017
10-2017
9-2017
8-2017
7-2017
6-2017
5-2017
4-2017
3-2017
2-2017
1-2017
EF 2017/2018
12-2016
11-2016
10-2016
9-2016
8-2016
7-2016
6-2016
5-2016
4-2016
3-2016
2-2016
1-2016
2016/2017
12-2015
11-2015
10-2015
9-2015
8-2015
7-2015
6-2015
5-2015
4-2015
3-2015
2-2015
1-2015
12-2014
11-2014
10-2014
9-2014
8-2014
7-2014
6-2014
5-2014
4-2014
2-2014
1-2014
12-2013
11-2013
10-2013
9-2013
8-2013
7-2013
6-2013
5-2013
4-2013
3-2013
2-2013
12-2012
11-2012
10-2012
9-2012
8-2012
7-2012
6-2012
4-2012
3-2012
2-2012
1-2012

PC & Industrie

7-2019
6-2019
5-2019
4-2019
3-2019
1-2-2019
EF 2019
EF 2019
12-2018
11-2018
10-2018
9-2018
8-2018
7-2018
6-2018
5-2018
4-2018
3-2018
1-2-2018
EF 2018
EF 2018
12-2017
11-2017
10-2017
9-2017
8-2017
7-2017
6-2017
5-2017
4-2017
3-2017
1-2-2017
EF 2017
EF 2017
11-2016
10-2016
9-2016
8-2016
7-2016
6-2016
5-2016
4-2016
3-2016
2-2016
1-2016
EF 2016
EF 2016
12-2015
11-2015
10-2015
9-2015
8-2015
7-2015
6-2015
5-2015
4-2015
3-2015
2-2015
1-2015
EF 2015
EF 2015
11-2014
9-2014
8-2014
7-2014
6-2014
5-2014
4-2014
3-2014
2-2014
1-2014
EF 2014
12-2013
11-2013
10-2013
9-2013
8-2013
7-2013
6-2013
5-2013
4-2013
3-2013
2-2013
1-2013
12-2012
11-2012
10-2012
9-2012
8-2012
7-2012
6-2012
5-2012
4-2012
3-2012
2-2012
1-2012

meditronic-journal

3-2019
2-2019
1-2019
5-2018
4-2018
3-2018
2-2018
1-2018
4-2017
3-2017
2-2017
1-2017
4-2016
3-2016
2-2016
1-2016
4-2015
3-2015
2-2015
1-2015
4-2014
3-2014
2-2014
1-2014
4-2013
3-2013
2-2013
1-2013
4-2012
3-2012
2-2012
1-2012

electronic fab

2-2019
1-2019
4-2018
3-2018
2-2018
1-2018
4-2017
3-2017
2-2017
1-2017
4-2016
3-2016
2-2016
1-2016
4-2015
3-2015
2-2015
1-2015
4-2014
3-2014
2-2014
1-2014
4-2013
3-2013
2-2013
1-2013
4-2012
3-2012
2-2012
1-2012

Haus und Elektronik

3-2019
2-2019
1-2019
4-2018
3-2018
2-2018
1-2018
4-2017
3-2017
2-2017
1-2017
4-2016
3-2016
2-2016
1-2016
4-2015
3-2015
2-2015
1-2015
4-2014
3-2014
2-2014
1/2014
4-2013
3-2013
2-2013
1-2013
4-2012
3-2012
2-2012
1-2012

Mediadaten

2019 deutsch
2019 english
2019 deutsch
2019 english
2019 deutsch
2019 english
2019 deutsch
2019 english
2019 deutsch
2019 english
© beam-Verlag Dipl.-Ing. Reinhard Birchel