Analyse eines Magnetventils anhand des Einschaltverhaltens
Michael Baumann, 30. Juni 2021
MAGNETICS4FREAKS
CORONA-Special - SS 2021
Kontaktdaten:
michael.baumann@burkert.com
Agenda
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
● Analytik vs. Machine Learning
● Pipeline
● Ausblick
Quelle: https://www.seekpng.com/png/full/782-7824220_the-main-component-of-openmind-is-an-online.pngBürkert
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
● Analytik vs. Machine Learning
● Pipeline
● Ausblick
Bürkert
● Christian Bürkert GmbH & Co. KG
● Gründung: 1946
● Weltweit 36 Niederlassungen
● Ca. 3000 Mitarbeiter
● Umsatz 2020: 543,9 Mio. €
Quelle: https://www.buerkert.de/var/buerkert/storage/images/media/images/zahlen-und-fakten/23147-4-eng-INT/Zahlen-und-Fakten_full_detail.jpg
Bürkert
● Mess-, Steuer- und Regeltechnik
● Einzelgeräte bis zu Systemlösungen
● Anwendungen: Analyse- und Labortechnik,
Lebensmittelindustrie,
Wasseraufbereitung
Einschaltverhalten
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
● Analytik vs. Machine Learning
● Pipeline
● Ausblick
Einschaltverhalten
● Spannungssprung
● Charakteristischer Stromverlauf
● Abhängig von:
‒ Bewegung
‒ Strom
‒ Medium
‒ Mediumsdruck
‒ Temperatur
‒ Fertigungsmaße
‒ Membranwerkstoff
Einschaltverhalten
Einschaltverhalten
Aufbau zum Aufzeichnen
Analytische Bewertung
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
● Analytik vs. Machine Learning
● Pipeline
● Ausblick
Analytische Bewertung Lorentzkraftaktor
𝑈0 = 𝑖 ∙ 𝑅𝑖+ 𝑅𝑀 +𝑑Ψ 𝑥, 𝑖
𝑑𝑡 1 𝐹𝑚= 𝑚 ሷ𝑥 + 𝜌 ሶ𝑥 + 𝑐𝑥 − 𝐹0 5
𝑢𝐿=𝑑 Ԧ𝑥𝐷
𝑑𝑡 × 𝐵𝑙 2 𝐹Ԧ𝐿= 𝑖 ∙ Ԧ𝑙 × 𝐵 = Ԧ𝐹𝑚 6
𝑖 = 𝑢𝐿
𝑅𝑀 3 𝑃𝑉= 𝐶𝑡ℎ𝑑Δ𝜗31 𝑑𝑡 +Δ𝜗31
𝑅𝑡ℎ 7
Θ = Φ 𝑅𝑚𝐹𝑒+ 𝑅𝑚𝑥 + Θ𝐵 4
𝐹 = 𝐹 Ԧ
𝐶+ 𝐹
𝐿𝐹 = 𝑄 ∙ 𝐸 + Ԧ Ԧ 𝑣 × 𝐵
𝐹
𝐿= 𝐼 ∙ Ԧ𝑙 × 𝐵
𝑟𝑜𝑡𝐻 =𝐽
Ԧ
𝜅𝐸 =𝐽Ԧ
𝑑𝑖𝑣𝐵 = 0 𝑑𝑖𝑣𝐷 = 𝜌
𝑟𝑜𝑡𝐸 = −𝜕𝐵
𝜕𝑡
Pro (Arial Bold weiß 20 pt.) Pro Contra Contra
Genaue Kenntnis der Parameter
Jeder Effekt muss analytisch bekannt sein Verständnis des Systems
Abbild eines Teils der Wirklichkeit (Modell) Modell leichter anpassbar
Keine Daten erforderlich
Kann beliebig vereinfacht werden Teilausschnitte nachvollziehbar
Analytische Bewertung
Bewertung mit Machine Learning
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
‒ Allgemein
‒ k Nearest Neighbor (kNN)
‒ Feedforward Network (FFN)
‒ Convolutional Neural Network (CNN)
● Analytik vs. Machine Learning
● Pipeline
● Ausblick
Quelle: https://www.seekpng.com/png/full/782-7824220_the-main-component-of-openmind-is-an-online.png
Bewertung mit Machine Learning Allgemein
● 1943: Erstes Neuronale Netz: Warren McCulloch, Walter Pitts
● Weiterentwicklung der Computer
● Entwicklung Trainingsalgorithmen
● Entwicklung des Internets
● Heute: Eroberung Industrie
● Strukturen menschlichen Denkens
● Computer lernt durch Erfahrung
Deep Learning Machine Learning
Artificial Intelligence
Bewertung mit Machine Learning
Allgemein
Bewertung mit Machine Learning kNN
● k Nearest Neighbor
● Bekannt und einfach zu verstehen
● Klassifikation abhängig von k nächsten Nachbarn
https://scikit-learn.org/stable/auto_examples/neighbors/plot_classification.html
Bewertung mit Machine Learning kNN
http://res.cloudinary.com/dyd911kmh/image/upload/f_auto,q_auto:best/v1531424125/KNN_final1_ibdm8a.png
Bewertung mit Machine Learning kNN
● k = 5
● Gesamt 2100 Kurven
Pro (Arial Bold weiß 20 pt.) Pro Contra Contra
Speicherkapazität
Berechnung für jeden Punkt → Option der Optimierung
Zuordnung von k abhängig Einfache Verständlichkeit
Ergebnis nachvollziehbar Einfache Implementierung Kein Modell
Bewertung mit Machine Learning
kNN
Bewertung mit Machine Learning FFN
Feed Forward Network (FFN)
● Deep Learning
● Neuronales Netzwerk
● Vorwärtsgerichtete Verarbeitung
● Nichtlineare Verarbeitung
Quelle: W.Ertel, Grundkurs Künstliche Intelligenz, 2016
Bewertung mit Machine Learning FFN
X W y
g()
y = 𝑔 𝑥 ∙ 𝑤
Input Output
Bewertung mit Machine Learning FFN
Hidden Layer Z
X 1
X 2 X m
W1
W2
Wm
y
g()
y = 𝑔
𝑗=1 𝑚
𝑥 𝑗 ∙ 𝑤 𝑗
Bewertung mit Machine Learning FFN
𝑧 = 𝑔
𝑗=1 𝑚
𝑥 𝑗 ∙ 𝑤 𝑗 𝑦 = 𝑓 𝑤 𝑧 ∙ 𝑧
X 1 X 2 X m
W1
W2
Wm
Z
Hidden Layer
y
f()
w
zBewertung mit Machine Learning FFN
𝑧 𝑗 = 𝑔
𝑗=1 𝑚
𝑥 𝑗 ∙ 𝑤 𝑗
𝑦 = 𝑓
𝑗=1 𝑚
𝑧 𝑗 ∙ 𝑤 𝑧𝑗
X 1 X 2 X m
W
11W
21W
m1Z 1
Hidden Layer
y Z 2
W
12W
22W
m2W
Z1W
Z2f()
Output
Bewertung mit Machine Learning FFN
𝑧 𝑗 = 𝑔
𝑗=1 𝑚
𝑥 𝑗 ∙ 𝑤 𝑗
𝑦 = 𝑓
𝑗=1 𝑚
𝑧 𝑗 ∙ 𝑤 𝑧𝑗
X 1 X 2 X m
W
11W
21W
m1Z 1
Hidden Layer
y Z 2
W
12W
22W
m2W
Z1W
Z2Bewertung mit Machine Learning FFN
𝑧 𝑗 = 𝑔
𝑗=1 𝑚
𝑥 𝑗 ∙ 𝑤 𝑗
𝑦 𝑗 = 𝑓
𝑗=1 𝑚
𝑧 𝑗 ∙ 𝑤 𝑧𝑗
X 1 X 2 X m
W
11W
21W
m1Z 1
Hidden Layer
y 1
Z 2
W
12W
22W
m2W
Z11W
Z22y 2
W
Z12W
Z21Bewertung mit Machine Learning FFN
● Training: Backpropagation
‒ Abweichung von Zielwert
‒ Korrektur der Gewichtungen
● Validierung des Trainingerfolgs
● Gefahr des Auswendiglernens
Bewertung mit Machine Learning
FFN
Pro (Arial Bold weiß 20 pt.) Pro Contra Contra
Hohe Rechenleistung bei Modellentwicklung Hoher Datenbedarf
Gefahr des Auswendiglernens Komplexe Zusammenhänge erkennen
Erweiterbar
Bewertung mit Machine Learning
FFN
Bewertung mit Machine Learning CNN
Convolutional Neural Network (CNN)
● Deep Learning
● Mustererkennung
● Bilderkennung
F. Chollet, DEEP LEARNING with Python, Shelter Island: Manning Publications Co., 2018.
Bewertung mit Machine Learning
CNN
Bewertung mit Machine Learning
CNN
Bewertung mit Machine Learning
CNN
Bewertung mit Machine Learning
CNN
Bewertung mit Machine Learning
CNN
Pro (Arial Bold weiß 20 pt.) Pro Contra Contra
Keine räumliche Lage
Hohe Rechenleistung bei Modellentwicklung Hoher Datenbedarf
Gefahr des Auswendiglernens Komplexe Zusammenhänge
Mustererkennung unabhängig vom Ort 1D bis min. 3D
2D auch als 2D analysiert
Bewertung mit Machine Learning
CNN
Bewertung mit Machine Learning Anwendungen FFN und CNN
● Bilderkennung
● Videobearbeitung
● Spracherkennung
● Texterkennung
● Zeitliche Prognosen z.B.
‒ Börse
‒ Wetter
● Regler
https://www.fahrschulegottschalk.de/wp-content/uploads/2016/11/icon-auto.png
Analytik vs. Machine Learning
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
● Analytik vs. Machine Learning
● Pipeline
● Ausblick
Analytik Machine
Learning
vs
Analytik vs. Machine Learning
Analytik Machine Learning
Anpassbares Modell Training mit neuen Daten Daten für Modellvalidierung Daten für Training
Differentialgleichungen Erfahrungen
Ausschnitt der Realität Modell auf realen Daten
Einfache Bildanalyse Komplexe Bildanalyse
Pipeline
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
● Analytik vs. Machine Learning
● Pipeline
‒ CRISP-DM
‒ BASE-ABC
● Ausblick
https://dam.krohne.com/t_ar43_cr_c//e_trim:0/w_700/q_auto/dpr_3.0/f_auto/d_im-other:image-not-available.png/v1612278112/im-stock-image/pipeline-desert-mountains-horizon.jpg
Pipeline
CRISP-DM
● CRoss Industry Standard Process for Data Mining (CRISP-DM)
● Sechs Phasen
● Zum Planen von Projekten
‒ Data Science
‒ Machine Learning
Pipeline
BASE-ABC
Storage / Access
Exploratory analysis
Advanced analytics Business
question
Build prototype Acquire
data Communicate result
B a s e A B C
Pipeline
BASE-ABC
Membran- erkennung
Datenlogger im Prüfstand
Lokal
speichern, mit USB- Stick abholen, zentral ablegen
Daten-
bereinigung, Daten-
darstellung
Modell erstellen:
analytisch, Machine Learning
Prototyp am Computer, erste
Implementie- rung
Doku,
Präsentation
Ausblick
● Bürkert
● Einschaltverhalten
● Analytische Bewertung
● Bewertung mit Machine Learning
● Analytik vs. Machine Learning
● Pipeline
● Ausblick
https://st.depositphotos.com/1552219/3940/i/600/depositphotos_39409069-stock-photo-outlook.jpgAusblick
● Machine Learning größere Anwendungsbreite
● Kein Ersetzen der Analytik
● Mehr Daten, mehr Rechenkapazität
● Optimierung Methoden
● Assistiert dem Menschen
● Ethische Fragen
https://www.kdnuggets.com/2015/07/cartoon-humans-ahead-deep-learning.html