Analyse eines Magnetventils anhand des Einschaltverhaltens. Michael Baumann, 30. Juni 2021

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

Bürkert

● 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 ∙ 𝑅_𝑖+ 𝑅_𝑀 +𝑑Ψ 𝑥, 𝑖

𝑑𝑡 1 𝐹_𝑚= 𝑚 ሷ𝑥 + 𝜌 ሶ𝑥 + 𝑐𝑥 − 𝐹₀ 5

𝑢_𝐿=𝑑 Ԧ𝑥_𝐷

𝑑𝑡 × 𝐵𝑙 2 𝐹Ԧ_𝐿= 𝑖 ∙ Ԧ𝑙 × 𝐵 = Ԧ𝐹_𝑚 6

𝑖 = 𝑢_𝐿

𝑅_𝑀 3 𝑃_𝑉= 𝐶_𝑡ℎ𝑑Δ𝜗₃₁ 𝑑𝑡 +Δ𝜗₃₁

𝑅_𝑡ℎ 7

Θ = Φ 𝑅_𝑚𝐹𝑒+ 𝑅_𝑚𝑥 + Θ_𝐵 4

𝐹 = 𝐹 Ԧ

+ 𝐹

𝐹 = 𝑄 ∙ 𝐸 + Ԧ Ԧ 𝑣 × 𝐵

𝐹

= 𝐼 ∙ Ԧ𝑙 × 𝐵

𝑟𝑜𝑡𝐻 =_𝐽

Ԧ

Ԧ

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

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

W

W

Z ¹

Hidden Layer

y Z ²

W

W

W

W

W

f()

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

W

W

Z ¹

Hidden Layer

y Z ²

W

W

W

W

W

Bewertung 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

W

W

Z ¹

Hidden Layer

y ¹

Z ²

W

W

W

W

W

y ²

W

W

Bewertung 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

Ausblick

● 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

We make ideas flow.

Vielen Dank!

Bürkert Fluid Control Systems Christian-Bürkert-Straße 13-17 74653 Ingelfingen

Deutschland

Tel.: +49 (0) 7940/10-0

Fax: +49 (0) 7940/10-91 204 info@buerkert.de

www.buerkert.de

Quellen

● https://www.datacamp.com/community/tutorials/k-nearest-neighbor-classification-scikit- learn

● https://scikit-learn.org/stable/modules/neighbors.html#neighbors

● https://www.datascience-pm.com/crisp-dm-2/

● E. Kallenbach, R. Eick, T. Ströhla, K. Feindt, M. Kallenbach und O. Radler, Elektromagnete, Springer Vieweg, 2017.

● F. Chollet, DEEP LEARNING with Python, Shelter Island: Manning Publications Co., 2018.

● A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow, Sebastopol:

O’Reilly Media, 2017.