Maschinelles Lernen für intelligente Automatisierungssysteme mit dezentraler Datenhaltung am Anwendungsfall Predictive Maintenance

Abstract

Für eine hohe Ergebnisqualität sind Machine Learning Algorithmen auf eine breite Datenbasis angewiesen. Studien zeigen jedoch, dass viele Unternehmen nicht bereit sind, ihre Daten mit anderen Unternehmen, beispielsweise in Form einer gemeinsamen Daten-Cloud, zu teilen. Ziel sollte es daher sein, effizientes maschinelles Lernen mit einer dezentralen Datenhaltung, die den Verbleib vertraulicher Daten im jeweiligen Ursprungs-Unternehmen ermöglicht, zu ermöglichen. In diesem Artikel wird diesbezüglich ein neuartiges Konzept vorgestellt und hinsichtlich seiner Potentiale für intelligente Automatisierungssysteme am Beispiel des Anwendungsfalls Predictive Maintenance analysiert. Die Umsetzbarkeit des Konzepts unter Nutzung verschiedener bestehender Ansätze wird diskutiert, bevor schließlich auf potentielle Mehrwerte für Anlagenbetreiber sowie -hersteller unter besonderer Berücksichtigung der Perspektive kleiner und mittlerer Unternehmen eingegangen wird.

Machine learning algorithms rely on a broad database for high quality results. However, studies show that many companies are not willing to share their data with other companies, for example in the form of a shared data cloud. Therefore, the goal should be to make efficient machine learning possible with decentralized data storage that allows confidential data to remain in the respective company of origin. This article presents a new concept in this respect and analyses its potential for intelligent automation systems taking predictive maintenance as an example. The feasibility of the concept using various existing approaches will be discussed, before potential benefits for plant operators and manufacturers, with particular consideration of the perspective of small and medium-sized companies, will be discussed.