Maschinelles Lernen und künstliche Intelligenz in der Produktion

Beschreibung

Die Mehrheit der Projekte zur Überwachung und Diagnose Cyber-Physischer Systeme (zum Beispiel Produktionsanlagen) beruhen auf von menschlichen Experten erstelltem Wissen. Dieses Wissen ist jedoch nur selten verfügbar, oft unvollständig, schwer zu überprüfen und zu warten. Datengetriebene Ansätze sind daher eine vielversprechende Alternative, da diese die großen Datenmengen nutzen, die heutzutage in CPS gesammelt werden. Algorithmen verwenden die Daten, um das zur Überwachung notwendige Wissen automatisch zu lernen. Dabei sind jedoch mehrere Herausforderungen zu bewältigen: Echtzeit-Datenerfassung und Speicherung, Datenanalyse, Mensch-Maschine Schnittstellen, Feedback- und Steuerungsmechanismen.
In diesem Kurs werden die Ansätze des maschinellen Lernens und der Künstlichen Intelligenz in CPS anhand von Services, wie Predictive Maintenance, Energieoptimierung, Diagnose und Optimierung, erläutert. Erfolgsgeschichten aus unterschiedlichen Branchen werden schematisch dargestellt und untermauern damit die Richtigkeit und den Nutzen der Verfahren. Praxisanteile vermitteln einen Eindruck von Technologien und Werkzeugen.

Ziel der Weiterbildung

Dieser Praxisworkshop liefert leicht umsetzbare Lösungen, um KI und maschinelles Lernen in vorhandene Systeme zu integrieren. Grundlegende Prinzipien der Verfahren werden erläutert. Ein Schwerpunkt liegt dabei auch auf den damit verbundenen organisatorischen Änderungen und auf neuen Geschäftsmodellen. Mit den in diesem Lehrgang vermittelten Inhalten können Firmen anschließend Vorbedingungen für den Einsatz von KI und maschinellen Lernmethoden klären, Vor- und Nachteile verschiedener Methoden abwägen und anhand funktionierender Beispiele eigene Projekte starten.

Teilnehmerkreis

> Technologieentwickler
> Produktmanager
> Mitarbeiter in Forschungs- und Entwicklungsabteilungen

Inhalte

Donnerstag, 12. und Freitag, 13. November 2020
8:45 bis 12:00 und 13:30 bis 16:45 Uhr

1. Einführung in ML/KI
> Grundlagen von Machine Learning (ML) und Künstliche Intelligenz (KI)
> praktische Beispiele für den Einsatz von ML und KI
> Welche Anwendungsfälle sehen wir wo in der Wertschöpfungskette?
> Welche Anwendungsfälle benötigen welche Methoden der KI bzw. des ML?
> Wertschöpfungskette mit ML und KI
> Bedeutung von ML und KI für die deutsche Industrie und deren Entwicklung im internationalen Umfeld
> Statistik, Data Mining

2. Datenakquise in der Produktion
> Daten sind das A und O – ohne Daten kein ML
> Datenbereinigung
> De-Facto Datenarchitektur OPC UA
> bestehende Bussysteme

3. Datensemantik in der Produktion
> Grundlagen und Standardisierung OPC UA Informationsmodelle
> Meta-Modelle
> Informationsmodelle und Auswirkungen auf die SW-Entwicklung
> praktische Übung mit Python: Einfache OPC UA IM modellieren

4. Anwendungen in der Produktion
> anstehende Anwendungen im Büro
> Anwendungen in der Medizin
> Anwendungen in der Industrie
> Hauptkategorien: Effizienzverbesserung; neue Geschäftsmodelle; Predictive Maintenance; Optimierung; Energieüberwachung; Gesamtanlageneffektivität

5. Einführung in ML
> Supervised-, Unsupervised-Learning
> verstärkendes Lernen
> neuronale Netze

6. Statistische Datenanalyse
> Statistik und ML
> Verteilungen
> LDA
> QDA
> EM
> praktische Übung mit Python: Anomalie Erkennung mit Wahrscheinlichkeitsfunktionen

7. Dimensionsreduktion – Einführung in Algorithmen: PCA, PPCA, SOMs, AEs

8. Werkzeuge
> (Cloud) Edge
> Small Data vs. Big Data
> Anwendungsbeispiele
> Plattformen
> Frameworks
> Bibliotheken
> Sprachen
> Edge und Cloud Standardisierung

9. Neuronale Netze
> Deep Learning
> CNNs
> AE
> RBM
> ReNN

10. Überwachtes Lernen
> Beispiel Support Vector Machines (SVM)
> praktische Übung mit Python: CNNs

11. Einkaufen oder selber machen? Vorbereitung des Projektstarts
> CRISP-DM
> Vision
> anwendungsfallorientiert
> Datenlage
> Evaluierung
> Implementierung und Einführungsprobleme bei ML und KI
> Data Scientist
> Edge/Cloud
> VDMA Quickguide ML
> Potenzialeinschätzung
> Rolle von IT vs. Produktion
> Vorgehen bei Forschungs- und Transferprojekten

12. Diagnose
> Logik
> heuristische Diagnose
> modellbasierte Diagnose

13. Ethik und Recht
> vertrauenswürdige KI
> Robustheit
> Maschinenrichtlinie
> Open Source Ansätze
> Dateneigentum

Referenten

Leitung:
Prof. Dr. O. Niggemann

Referenten:
Prof. Dr. Oliver Niggemann
Institut für Automatisierungstechnik Helmut-Schmidt-Universität/Universität der Bundeswehr Hamburg
Peter Seeberg
AI Consulting, Neubiberg,

Termine & Preise

Extras
Die Seminarteilnahme beinhaltet Verpflegung und ausführliche Seminarunterlagen.

Die Teilnehmerzahl ist begrenzt, um den optimalen Lernerfolg zu garantieren.

Kosten
Die Kosten betragen pro Teilnehmer EUR 1.200,00(MwSt.-frei), inklusive aller Extras.

Fördermöglichkeiten
weniger bezahlen – so geht´s