Covid-19: As nossas lojas permanecerão abertas. Tratámos de tudo para garantir a proteção da saúde de todos. A saúde das suas empresas e de suas equipas é nossa prioridade. Clique aqui para obter mais informações.
    • Resultados da pesquisa

    • A mostrar resultados a de .

      Desculpe, mas não encontramos resultados correspondentes à sua pesquisa

      Para melhorar a sua pesquisa, por favor:
      • Verifique a ortografia dos termos pesquisados
      • Tente outras palavras
      • Use o menu "Produtos"
  • Desculpe, mas não encontramos resultados correspondentes à sua pesquisa

    Para melhorar a sua pesquisa, por favor:
    • Verifique a ortografia dos termos pesquisados
    • Tente outras palavras
    • Use o menu "Produtos"

15 dez

Machine Learning automatizado: Quando o algoritmo toca duas vezes!


Ferramenta industrial de machine learning automatizada da Weidmüller, para engenharia de máquinas e fábricas. A impulsionar de forma independente o desenvolvimento do modelo de análise sem precisar ser um cientista de dados. A impulsionar a Inteligência Artificial (IA) em engenharia de máquinas e instalações.


Há já alguns anos que as visões de engenheiros e produtores de fábricas têm sido inspiradas pelas possibilidades da Inteligência Artificial (IA). A recolha e o aperfeiçoamento de dados permitem uma maior eficiência e produtividade; possibilitado por algoritmos de machine learning (aprendizagem de máquina). O que à primeira vista pode soar como tecnologia avançada, oferece vantagens concretas para a indústria inteligente. Máquinas e fábricas, bem como processos de produção, geram dados continuamente. As empresas que conseguem criar valor acrescentado a partir esses dados terão sucesso no futuro. Acima de tudo, o valor acrescentado pode ser alcançado na área de análise de dados, como a manutenção preditiva. Simplificando, a máquina sinaliza automaticamente quando é que uma peça suplente será necessária. Isto significa que, no futuro, os fabricantes de máquinas poderão oferecer novos serviços baseados em dados e, assim, estabelecer novos modelos de negócios. As empresas de produção podem aumentar a qualidade dos produtos e reduzir custos.

Métodos de IA e, em particular, machine learning (ML), são ferramentas utilizadas para analisar dados de máquina. Eles tornam possível ligar dados inexplorados anteriormente e identificar relações desconhecidas. Mas o que envolve exatamente a ciência de dados? E o que é que «machine learning automatizada” significa realmente?

O conceito da Weidmüller envolve o uso simples de IA através de software de ML automatizado para engenharia de máquinas e instalações. Para este efeito, a Weidmüller estandardizou e simplificou o uso de ML para aplicações industriais de tal forma que especialistas em domínio sem conhecimento especializado de ciência de dados podem criar soluções de ML. A ferramenta de software orienta o utilizador através do processo de desenvolvimento do modelo, razão pela qual a Weidmüller também se refere a isto como “análise guiada”. Os especialistas em máquinas e processos podem facilmente criar, modificar e executar modelos de ML sem o apoio de cientistas de dados, a fim de reduzir o tempo de inatividade e os erros, otimizar as atividades de manutenção e melhorar a qualidade do produto. O software ajuda a traduzir e arquivar o conhecimento da aplicação complexo numa aplicação de ML fiável. Os especialistas concentram-se no seu conhecimento do comportamento da máquina e do processo e ligam-no às etapas de ML em execução em segundo plano.

O ML automatizado pode ser aplicada em muitas áreas, desde a deteção de anomalias e a sua classificação até à previsão de erros. No entanto, para detetar anomalias e fazer previsões nesta base, por exemplo para manutenção preditiva, os dados precisam de ser recolhidos e relacionados. Normalmente, há um volume suficiente de dados relevantes do processo para máquinas e instalações. A fim de obter o valor agregado desses dados, eles são analisados através de métodos de ML e são desenvolvidos modelos apropriados.


GUIADO UNICAMENTE PELO SOFTWARE

O software fornece essencialmente 2 módulos para o utilizador. Com o construtor de modelo, os especialistas de domínio podem criar soluções de ML para deteção de anomalias, classificação e previsão de erros. O conhecimento dos especialistas na aplicação torna-se aqui decisivo, uma vez que eles têm a experiência de saber como é o comportamento normal ou anormal das suas máquinas e instalações. Eles podem reconhecer imediatamente desvios do comportamento “normal” na ilustração clara dos dados. Podem detetar e classificar esses desvios e, assim, defini-los para a criação do modelo.

O conjunto de dados enriquecido com o conhecimento da aplicação é a variável da entrada para a geração automática subsequente dos modelos de ML. Isto resulta em soluções de ML totalmente comparáveis com as soluções criadas manualmente por cientistas de dados. Vários modelos são propostos ao utilizador, baseados em diferentes algoritmos e parâmetros de valor. No final do processo de criação do modelo, o utilizador seleciona o modelo mais adequado para a aplicação de acordo com certos critérios, como a qualidade do modelo, tempo de execução e quaisquer parâmetros preferidos. O modelo selecionado pode ser exportado e transferido para o ambiente de execução. No segundo módulo do software AutoML, os modelos são finalmente executados na máquina - no local ou na nuvem - no ambiente de execução.


VALOR ACRESCENTADO CRUCIAL

As possibilidades do ML estão a aumentar com o espectro cada vez maior. Isto não torna necessariamente mais fácil alcançar a melhor criação, implementação e aplicação operacional possível de ML sem conhecimento específico de ciência de dados. Por outras palavras: a criação de modelos de ML costuma ser demorada e de implementação cara. Com a abordagem clássica para a introdução de ML, vários estudos de viabilidade técnica conhecidos como Provas de Conceitos (PoCs) são conduzidos para encontrar casos de uso de ML adequados. Aqui, os resultados que podem ser alcançados com o ML são validados por especialistas em máquinas e a sua eficiência económica é verificada. A automação de ML com a Weidmüller Industrial AutoML Tool economiza muito tempo para a criação e comparação de modelos e resultados, além de reduzir o tempo de lançamento no mercado. As tarefas podem ser implementadas com muito mais eficiência, o que, por sua vez, economiza recursos valiosos. Ao mesmo tempo, o utilizador também beneficia dos mais recentes desenvolvimentos no ambiente de ML, que estão continuamente a ser incorporados na ferramenta. A ferramenta Weidmüller Industrial AutoML oferece, acima de tudo, uma vantagem decisiva, no entanto: a análise de dados - que geralmente deve ser realizada por um cientista de dados de um parceiro externo ou de dentro da empresa - é realizada pela ferramenta e é “simplesmente” alimentada com o conhecimento dos especialistas em aplicação. Isto significa que o seu conhecimento sobre a máquina e o seu uso é alimentado diretamente no processo de modelagem. A simbiose de conhecimento técnico sobre a máquina e o conhecimento da ciência de dados, que é fornecido pela máquina, garante resultados com rapidez e facilidade. Não há necessidade de formação extensiva nem de mais experiência. Em apenas uma hora, é possível configurar um modelo que deteta automaticamente as anomalias. Não poderia ser mais simples.


SOLUÇÕES PARA APLICAÇÕES SELECIONADAS

Existe realmente uma solução única que sirva para todas as aplicações e forneça automaticamente os resultados desejados?
Definitivamente não, precisamos de ter aqui uma visão mais diferenciada.

Embora o trabalho se concentre em dados baseados em séries temporais e algoritmos de ML comuns, a chave para o sucesso está na personalização direcionada da automação de ML, reduzindo gradualmente o espaço de pesquisa. Quanto mais abrangente for o foco da aplicação, mais geral deve ser o design dos pipelines de ML. É necessário algum equilíbrio para que seja possível cobrir o maior número de aplicações possível, mas deve ser bastante específico para obter a qualidade de modelo suficiente, sempre com recursos de computação finitos.

É óbvio que monitorizar um sistema de refrigeração com base em dados de controlo requer uma abordagem diferente para monitorizar um rolamento usando dados de vibração. Os melhores resultados são alcançados se as automações de ML puderem ser adaptadas a um processo o mais específico possível, sem se tornar muito compartimentado.

Se, por exemplo, soluções de ML específicas são configuradas para sistemas de armazenamento e recuperação que são frequentemente usados em intralogística, podem ser alcançados excelentes resultados de acordo com os dados disponíveis. Além disso, para clusters como bombas, compressores e sopradores, as vantagens de soluções de ML específicas são óbvias. Todos os benefícios da criação automatizada de soluções de ML são aqui obtidos, desde a prevenção de possíveis erros individuais na abordagem manual até à economia de tempo alcançada.

Isto mostra que essas soluções específicas de aplicações oferecem resultados excelentes, especialmente quando a experiência com as melhores práticas é integrada. Além disto, o utilizador pode entender muito bem os resultados do algoritmo. Não é simplesmente uma caixa preta que expele resultados aparentemente arbitrários. Como é fácil de entender, o utilizador é capaz de otimizar ainda mais os modelos e, portanto, os resultados ao longo do tempo através da entrada, por exemplo, refinando a engenharia de recursos ou adicionando novas anotações que representam intervalos de tempo relevantes nos dados do sensor, e pode disponibilizá-los para futura formação de modelos de forma direcionada.

A ferramenta Industrial AutoML faz parte do vasto portfólio de ponta da Weidmüller. Este é o caminho mais fácil para a IoT Industrial - “dos dados ao valor” para aplicações greenfield e brownfield.

As soluções das áreas de aquisição, pré-processamento e comunicação de dados constituem a infraestrutura em que se baseia a ligação lógica e a avaliação da informação recolhida - a análise de dados.

Uma coisa é certa: a digitalização não é um fim em si mesma. O valor acrescentado é explorado no caso de uso specífico, seja garantindo a disponibilidade com monitorização ou implantando técnicos de serviço de forma mais eficiente graças à manutenção remota. E por último, mas não menos importante, desenvolvendo novos modelos de negócios através do uso de inteligência artificial sem ter que ser um cientista de dados - a Weidmüller projeta a transformação digital com e para o utilizador: é simples e eficaz.


O QUE ACONTECE EM SEGUNDO PLANO - CONHECIMENTO ESPECIALIZADO ATUALIZADO

Na ML automatizada, as etapas necessárias para criar modelos de ML para vários algoritmos são realizadas automaticamente. Posteriormente, a ferramenta determina automaticamente que algoritmo (modelo ML) reconhece de forma mais fidedigna estados da máquina ou critérios de processo elevantes. A automação de ML diz respeito principalmente às seguintes etapas:

• Pré-processamento de dados para converter os dados num formulário digerível para um modelo de ML. Para cada faixa de dados de entrada, o procedimento de limpeza correspondente ao tipo de dados (série temporal numérica ou categórica) é executado automaticamente e os intervalos de tempo mais relevantes para o modelo são filtrados do conjunto de dados.

• Engenharia de recursos, em que dados de entrada particularmente informativos, conhecidos como recursos, são calculados e selecionados para o modelo ML a partir dos dados preparados por transformações matemáticas. Para muitos casos de uso de análise, não é o valor absoluto de um sensor que é relevante, por exemplo, a temperatura ou a rotação do motor, mas sim a rapidez com que os valores medidos do sensor mudam ao longo do tempo. Numa etapa subsequente, são usados métodos estatísticos para filtrar esses recursos do conjunto de recursos gerados automaticamente que, com o seu conteúdo de informações, têm uma maior probabilidade de ajudar o modelo de ML a tomar a decisão certa. Isto é extremamente útil para limitar o enorme espaço de pesquisa para a subsequente otimização, para treinar o modelo de ML e torná-lo solucionável com os recursos de computação disponíveis no menor tempo de computação possível.

• Pré-seleção de modelo, em que - entre um conjunto de algoritmos de ML disponíveis - são selecionados aqueles que costumam dar bons resultados em séries temporais industriais. Isto pode variar enormemente, dependendo dos respetivos casos de uso de analítica (deteção de anomalias, classificação de erros, previsão de erros, verificação de qualidade do processo) e das características dos dados de entrada.

• Formação e otimização do modelo, em que o modelo de ML aprende de forma interativa as propriedades estatísticas do conjunto de dados de formação através de vários algoritmos de otimização e os verifica com outro conjunto de dados de teste. Para melhorar ainda mais os modelos, “hiperparâmetros” também são adaptados automaticamente ao conjunto de dados. Os hiperparâmetros determinam a arquitetura e o comportamento do modelo de ML. Os modelos tornam-se assim especialistas do tipo de dados específico e do caso de uso de análise que deve ser resolvido.

• A capacidade de os humanos interpretarem o modelo é outra etapa importante na automação de ML. Os melhores modelos calculam qual é o recurso de entrada, ou seja, que tecnologia de sensor de máquina mais influenciou a resposta do modelo. Isto ajuda o utilizador humano a avaliar se os modelos aprenderam a coisa certa e fornece “insights” adicionais sobre que dados de medição são relevantes ou valiosos e devem ser arquivados, e que dados não acrescentam valor e não precisam de ser armazenados. Isto ajuda na otimização dos custos de transporte e armazenamento de dados.

• Implementação do modelo, em que o modelo - que depende de bibliotecas de código ML especiais - é colocado numa forma encapsulada para torná-lo executável de várias maneiras, como diretamente na máquina. Isto significa que os modelos podem ser aplicados em apenas alguns cliques.


Weidmüller – Sistemas de Interface, S.A.