Festo macht Smart Factories mit W&B zur Realität
„Vor W&B brauchte ich im Schnitt oft acht Stunden, um ein neues Experiment einzurichten und die Parameter mit neuen Daten zu optimieren. Mit W&B konnte diese Zeit drastisch auf zwanzig bis dreißig Minuten reduziert werden, einschließlich Keras-Callback und Plot-Logging.“
Daniel Spies
Ingenieur für maschinelles Lernen
Die wahren Kosten von Ausfallzeiten
Manchmal kommt es zu unerwarteten Maschinenausfällen, das ist unvermeidbar.
Das macht ungeplante Ausfälle jedoch nicht weniger frustrierend. Die Kosten können bei großen Herstellern in fast allen Industriezweigen auf weit über 100.000 Dollar pro Stunde steigen.
Festo, ein weltweit führendes Unternehmen im Bereich der industriellen Automatisierung, ist Vorreiter bei der Veränderung dieser Situation. Durch die Kombination von Hardware-Know-how mit maschinellem Lernen hilft das Unternehmen seinen Kunden, die Produktionszuverlässigkeit zu verbessern, Wartungsprozesse zu optimieren und kostspielige Ausfallzeiten zu reduzieren.
Von präventiv zu prädiktiv
Die herkömmliche Fabriküberwachung basiert auf routinemäßigen Inspektionen auf Basis von Nutzung oder Zeit. Dieser Ansatz hilft zwar bei der Erkennung von Problemen, kann jedoch ressourcen- und zeitaufwändig sein. Außerdem wird ein Problem häufig zu spät diagnostiziert, um Schäden zu verhindern.
Geräteausfälle vorherzusehen, bevor sie auftreten – hier kommt Festo ins Spiel.
Nehmen wir zum Beispiel pneumatische Zylinder. Diese Geräte werden in Produktionslinien in vielen Branchen eingesetzt. Sie übernehmen eine Vielzahl von Aufgaben wie das Bewegen von Teilen in Maschinen, das Pressen von Gegenständen, das Öffnen und Schließen von Türen und vieles mehr. Aus diesen Zylindern sollte niemals Luft entweichen, und wenn doch, entsteht ein leises Zischen.
Das ML-Team von Festo entwickelt auf Basis von Audiosignalen robuste und skalierbare Algorithmen, die erkennen können, ob die Geräusche aus den Zylindern mit leckagebedingten Klangmustern übereinstimmen. Wird eine Leckage erkannt, werden die Nutzer durch eine Benachrichtigung gewarnt, die ihnen mitteilt, wo und wie groß das Leck ist. So werden Produktionsausfälle vermieden und eine zügige Wartung sichergestellt. Erwähnenswert ist, dass dieser Anwendungsfall Teil von KI-MUSIK4.0 ist, einem öffentlich geförderten Projekt des deutschen BMBF.
„Was wir gerade entwickeln, ist für unsere Kunden sehr komfortabel. Sie müssen sich nicht mehr durch ein sehr kompliziertes System wühlen“, sagt Daniel Spies, Machine-Learning-Ingenieur bei Festo.
Eine Darstellung des KI-Geräts auf einem Festo-Zylinder.
Eine Darstellung des KI-Geräts auf einem Festo-Zylinder.
Neue Effizienzniveaus erreichen
Um seinen Kunden zu maximaler Betriebszeit zu verhelfen, benötigt Festo eine leistungsstarke MLOps-Plattform, die ein unübertroffenes Maß an Automatisierung und Produktivität bietet. Mit W&B zeichnet die Plattform automatisch alle Hyperparameter und Metriken auf und speichert die Informationen an einem zentralen Ort. Dadurch hat das Team mehr Zeit, sich auf Iteration und Feinabstimmung zu konzentrieren – und kann so viele Dinge ausprobieren, wie nötig sind, um die Modellleistung zu verbessern.
„W&B hat uns viel Zeit und Mühe gespart, indem es unseren Arbeitsablauf optimiert und es einfach macht, Experimente nebeneinander zu vergleichen und die Auswirkungen verschiedener Ansätze auf unsere Ergebnisse zu erkennen“, sagte Daniel.
Darüber hinaus verwendet Festo zur Entwicklung leistungsstarker Modelle umfassend W&B Sweeps – das war jedoch nicht immer der Fall. Das Team hatte sich zuvor auf Open-Source-Tools zur Hyperparameteroptimierung verlassen. Als sich die Einrichtung dieser Lösungen als umständlich und mühsam herausstellte, war der Wechsel zu Sweeps naheliegend.
„Vor W&B brauchte ich im Schnitt oft acht Stunden, um ein neues Experiment einzurichten und die Parameter mit neuen Daten zu optimieren“, sagte Daniel. „Mit W&B hat sich diese Zeit drastisch auf zwanzig bis dreißig Minuten reduziert, einschließlich Keras-Callback und Plot-Logging.“
Wenn es darum geht, einen reibungslosen, effizienten und skalierbaren ML-Workflow aufrechtzuerhalten, verlässt sich Festo auf W&B Launch. Anstatt komplexe Trainings- und Hyperparameter-Tuning-Jobs auf nur einem lokalen Rechner auszuführen, kann das Team mithilfe von Launch Jobs problemlos in jeder Zielumgebung mit zusätzlichen Rechenressourcen starten, um das Modelltraining zu beschleunigen. Und das alles geschieht über eine vertraute und benutzerfreundliche W&B-Oberfläche.
„Wir haben W&B mithilfe von Tools wie Launch in unsere Bereitstellungspipeline integriert“, sagte Daniel. „So können wir schnell verschiedene Trainings auf GPU-Maschinen starten und unsere Experimente skalieren.“
Fabriken der Zukunft
Weniger Produktionsfehler und weniger Maschinenausfallzeiten sind nur einige der Gründe, warum Hersteller auf KI setzen, um die Fertigung zu optimieren. Mit umfassendem Branchenwissen und dem robusten Einsatz von maschinellem Lernen ermöglicht Festo die Umwandlung jeder Fabrik in eine intelligente Fabrik.
Während Festo weiterhin die Zukunft der Fertigung gestaltet, ist W&B von entscheidender Bedeutung für die Rationalisierung, Orchestrierung und Automatisierung seiner ML-Workflows im großen Maßstab. Durch die Nutzung von W&B kann Festo alles im Zusammenhang mit seinen ML-Abläufen optimieren, Zeit für die Entwicklung und das Experimentieren freisetzen und das Modelltraining mit Leichtigkeit drastisch steigern.
„Was ich an W&B am meisten schätze, ist, dass es eine echte Komplettlösung ist“, sagte Daniel. „Es funktioniert sofort und hat unsere Produktivität enorm gesteigert.“