Aussteller- & Produktsuche
Veranstaltungssuche
Sprecherübersicht

Ausgangs der zweiten Dekade des immer noch jungen Jahrtausends kristallisiert sich mehr denn je ein "Rohstoff" heraus, der wertvoller und Gewinn versprechender zu sein scheint als alles, was Mutter Erde seit Ewigkeiten für uns bereit hält: Daten. Oft nur als Nebenprodukt in jeder Maschine, jeder Anlage und jedem Prozess permanent erzeugt, lässt sich dieser wertvolle Datenschatz mit geeigneter Hard- und Software heben und per Machine Learning (ML) in verwertbare Informationen umwandeln. Aus diesen resultieren dann vorausschauende Service- und Wartungskonzepte (Predictive Maintenance), Qualitätsverbesserungen (Predictive Quality), Produktivitätssteigerungen (Predictive Efficiency) oder ML-basierte Anomalie-Erkennungen. Im Umfeld des industriellen Internets der Dinge (IIoT) muss der "Rohstoff" jedoch zunächst durch spezielle Sensorik erzeugt, verknüpft und aufbereitet werden. Danach erst kann die Informationsgewinnung mithilfe entsprechender ML-Algorithmen erfolgen. Diese so „veredelten Rohstoffe“ lassen sich dann sowohl lokal, zum Beispiel per OPC UA, als auch ortsungebunden mit Hilfe einer Cloud nutzbringend einsetzen.

Zu diesem Thema zeigt die SSV Software Systems GmbH auf der HANNOVER MESSE 2019 mit dem IGW/941 jetzt ein kompaktes Edge-Gateway mit vorinstallierten ML-Algorithmen und diversen Data-Science-Bausteinen für industrielle Applikationen. Mit dem IGW/941 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: "Grundlegende Prinzipien und Terminologie des maschinellen Lernens", "Ein vollständiger Machine-Learning-Prozess, einschließlich Sensordatenerfassung, Datenaufbereitung, Modellierung und Modellbewertung", "Bestimmen der Modellgenauigkeit und Anpassen der Hyperparameter" und "Den Ausgang eines Machine-Learning-Algorithmus mit anderen Systemen verbinden".