Wir verkaufen riesige Anlagen mit tausenden von Sensoren und Aktoren und entsprechend großen, spezifischen Logdaten. Viele sind redundant in dem Sinne, dass z.B. zeitgesteuert gefahren wird, wenn sie defekt sind. Zudem sind immer wieder Menschen vor Ort, die korrigieren und reagieren, doch das meiste läuft autonom. Wenn es tatsächlich Probleme gibt, schauen wir Entwickler in die Logfiles (bzw. deren Visualisierung/Playback). Das klappt ziemlich gut. Es wäre jedoch gut, wenn wir mit den Logfiles (mehrere Anlagenjahre) eine KI (Machine Learning) füttern, die lernt, was "normale" Betriebszustände sind und "Besonderheiten" lernt. Beispiel: Wenn der Ablauf xy immer länger dauert, wird bald jenes Bauteil getauscht. Und im zweiten schritt dann die Frage: wo dauert dieser Ablauf jetzt länger?. Wenn man sowas mittelfristig anstrebt, z.B. 5 Jahre, welche Tools/Techniken würde man sich heute anschauen? Welche Information würde man mit in die Logfiles geben (Zeitstempel hochaufgelöst und Sensorstatus sind enthalten, Manuelle Reparaturen müssten Stand heute manuell per ungefährer Zeit hinzugefügt werden) (O.T., Da es noch keine KI-Rubrik gibt)
Du kannst auch die KIs diesbezüglich fragen, üblicherweise haben die darauf schon gute Hinweise drin.
> Wenn man sowas mittelfristig anstrebt, z.B. 5 Jahre, welche > Tools/Techniken würde man sich heute anschauen? Mal unter dem Stichwort "Preventive Maintenance" recherchieren ?! > Welche Information würde > man mit in die Logfiles geben (Zeitstempel hochaufgelöst und > Sensorstatus sind enthalten, Manuelle Reparaturen müssten Stand heute > manuell per ungefährer Zeit hinzugefügt werden) Naja, das sollte doch der die Maschine gebaut hat am Besten wissen. insbesonders der der das Wartungshandbuch geschrieben hat. Allgemein kann man sagen, das die Komponenten mit dem höchsten Stress am ehesten ausfallen. Und um die zu ermitteln kann man Test fahren, bspw. "envorimental stress screening" nach MIL-STD-883. Die engl. Wikipedia nennt noch ein paar weitere: * https://en.wikipedia.org/wiki/Environmental_stress_screening Das IMHO am häufigsten eingesetzte tool ist IMHO der "geschulte Blick" also optische Inspektion auf Frühindikatoren wie Rauchspuren oder spananhäufungen, logfiles interessieren da eher wenig. > (O.T., Da es noch keine KI-Rubrik gibt) Und wohl auf absehbare Zeit nicht geben wird (zumindest nicht in diesem Forum): Beitrag "Re: Neues Unterforum für KI-Themen einrichten ?"
:
Bearbeitet durch User
Bruno V. schrieb: > Wenn man sowas mittelfristig anstrebt, z.B. 5 Jahre, welche > Tools/Techniken würde man sich heute anschauen? Welche Information würde > man mit in die Logfiles geben (Zeitstempel hochaufgelöst und > Sensorstatus sind enthalten, Manuelle Reparaturen müssten Stand heute > manuell per ungefährer Zeit hinzugefügt werden) schau dass du die daten jetzt schon möglichst strukturiert in den logs ablegst. Also so, dass nicht nur ein LLM das als input frisst, sondern so, dass du vorher schon statistik-tools und anderes drüberlaufen lassen kannst und dann nur das ergebnis dem LLM vorwirfst.
Ich würde das Thema bei Predictive Maintenance einordnen. https://en.wikipedia.org/wiki/Predictive_maintenance Nicht wirklich neu. General Electric macht dies schon viele Jahre bei Flugzeugtriebwerken (in der Luft) und Gasturbinen (am Boden). Angeblich fallen bei einem Flug London->Frankfurt 1TB an Rohdaten an (Schwingungen, Temperaturen, ...). Wichtiger als KI wäre Alterungs- bzw. Verschleißmodelle der Komponenten zu haben und diese mit den Realdaten der Beanspruchung zu füttern. Hat man solche Modelle, dann kann man auch die Betriebsweise auf max. Lebensdauer abstimmen. ==> NI statt KI
Einer KI, die man nicht selbst entwickelt hat, sollte man nicht voll vertrauen. Sie könnte schon morgen weg sein und Du stehst mit leeren Händen da! Ein paar Skripte, die wichtige Betriebsdaten überwachen sollte man schon SELBST haben. Der Rest ist eine Frage, ob Du Betriebsgeheimnisse einfach verschenken möchtest.
Bruno V. schrieb: > Wenn man sowas mittelfristig anstrebt, z.B. 5 Jahre, welche > Tools/Techniken würde man sich heute anschauen? Liest sich wie ein Problem auf das man heute ein LLM mit vielen Milliarden Parametern und Mio € an Token werfen würde. Oder man schaut ein paar Jahrzehnte zurück, z.B. zu CNNs/TDNNs, und versucht es mit einem klitzekleinen Bruchteil an Rechenleistung... Problem: Die nehmen keinen Freitext als Input, sondern besser rohe Sensordaten als floats. Beim Extrahieren aus den Logdateien kann dir ein LLM helfen, und dir z.B. einen Berg an Regexp schreiben... Tipp: Sieh einen Extra Input am Netz vor, der auf ungeparste Logzeilen triggert. Edit: Da hat sich seit den 1980ern schon was getan, auch Richtung LSTM/GRU schauen. Und beim Training hast du vmtl. das Problem, dass du viele viele Jahre an "gesunden" Daten hast, aber nur wenige Daten kurz vor Ausfällen, das macht das Training schwierig.
:
Bearbeitet durch User
Man weiß ja nicht welche Daten er hat und später braucht. Wenn die "AUtomatik" alles macht, kann zwar jede Putzfrau nachsehen, ob rot oder grün ist, aber Zusammenhänge im Untergrund gehen in der Menge der Informationen verloren. Man liest: Ein LLM-Agent, der dein Wissen automatisch vernetzt, synthetisiert und aktuell hält – Andrej Karpathys LLM Wiki verspricht genau das. Die Idee ist verführerisch. Und trotzdem: Ich baue es nicht nach. Nicht, weil das Konzept nicht funktioniert. Sondern weil es den einen Schritt automatisiert, den ich selbst behalten will: das Knüpfen meines eigenen Wissensnetzes. Der Agent legt fest, welche Begriffe, Papers und Ideen miteinander verwandt sind – doch genau diese Relationen sind für mich der Kern des Denkens, nicht dessen Nebenprodukt. Hinzu kommt eine harte Abhängigkeit: Das Wiki macht die KI zur Infrastruktur. Ohne den Agenten veraltet die gepflegte Struktur sofort. Und genau für jenen Teil meiner Realität, der nicht aus maschinenlesbaren Texten besteht – gescannte Dokumente, handschriftliche Notizen, fotografierte Ausschnitte – bleibt es ohne überzeugende Antwort.
Lu schrieb: > Sondern weil es den > einen Schritt automatisiert, den ich selbst behalten will: das Knüpfen > meines eigenen Wissensnetzes. Der Agent legt fest, welche Begriffe, > Papers und Ideen miteinander verwandt sind – doch genau diese Relationen > sind für mich der Kern des Denkens, nicht dessen Nebenprodukt. Bei KI-gestützter Mustererkennung, um die es hier geht, wie präventiver Maintenace, Analyse von Röntgenbildern, Erkennung von Verkehrsituationen, usw. gibt es keine Paper, Ideen, Begriffe, Kerne des Denkens, oder sonstige geistigen Ergüsse. Es gibt einen Haufen Daten, dazu Input in Form von gewünschten Ergebnissen oder Schlußfolgerungen, und eine KI, die daraus ihre eigenen Schlüsse ziehen muß. Oliver
:
Bearbeitet durch User
Oliver S. schrieb: > Ergebnissen oder Schlußfolgerungen, und eine KI, die daraus ihre eigenen > Schlüsse ziehen muß. Ob die KI jede Schweißnaht oder Situation erkennt, die nur etwas anders ist und doch gut? Das wird meiner Meinung nach ein langer Lernprozess, der erst durch ausreichend Beispiel-Fehler zuverlässig eingeschätzt werden kann. Die dazu notwendigen Lerndaten wären für mich ein gut gehütetes Betriebsgeheimnis.
Vielen Dank für die Anworten und Anregungen. Ich bin da völlig neu und unerfahren, aber irgendwer muss bei uns ja anfangen. Die Logdaten selber sind angesichts der Menge (~1 GB / Tag) binär und können in beliebige Formate gewandelt werden. Für uns Menschen gibt es viele spezielle Visualisierungen, mit denen Muster gut gesucht werden können. Auf die Dauer reicht das aber nicht: Daten/Erwartungen/Automatisierungen werden mehr, Experten und Zeit weniger. Die Pioniere der ersten 30 Jahre verschwinden langsam mit ihrer akkumulierten Erfahrung. Und selbst wenn ein junger Kollege 3 Jahre bleibt, verhindert die Work-Life-Balance tiefes Eintauchen (was OK ist, es wird in D nicht vergütet). Danach ist er trotzdem weg oder "zu höherem" berufen. Rbx schrieb: > Du kannst auch die KIs diesbezüglich fragen, üblicherweise haben die > darauf schon gute Hinweise drin. Tatsächlich sehr hilfreich, Danke!
:
Bearbeitet durch User
Als mir Schach-Profi Rainer Knaak die Anfänge der KI an der Uni im letzten Jahrtausend erklärte, war es noch überschaubar, heute sind einige TB Daten zu beherrschen. Wir werden in den nächsten Jahren davon zugemüllt und verlieren die Übersicht, wenn wir nicht aufpassen! Unsere wertvollen, erarbeiteten Lerndaten sollten wir nicht einfach verschenken!!!
Bruno V. schrieb: > Wenn man sowas mittelfristig anstrebt, z.B. 5 Jahre, welche > Tools/Techniken würde man sich heute anschauen? Ich meine dazu ein ziemlich gut passendes Lernbeispiel mit Tensorflow gesehen zu haben, dass genau das macht: Riesige Datensätze analysieren und Ausreißer entdecken. Stichwort: "unsupervised learning mit autoencodern" Ich meine, damit müsste man relativ zügig ein Demo für eure Daten hinbekommen.
:
Bearbeitet durch User
Lu schrieb: > Ich baue es nicht > nach. Nicht, weil das Konzept nicht funktioniert. Sondern weil es den > einen Schritt automatisiert, den ich selbst behalten will Du kannst machen, was immer du willst. Es wird für alles, was da noch kommt, völlig irrelevant sein. Oliver
Oliver S. schrieb: > Es wird für alles, was da noch kommt, völlig irrelevant sein. Zu 50% hast Du recht. Aber warum hat die NASA die alten Herren zur Reparatur der Pioneer-Sonde aus dem Ruhestand geholt? Fehlendes Wissen und unzureichende Dokumentation dürfte die Ursache gewesen sein.
So what? Beim nächsten Problem dieser Art wird das nicht mehr gehen, dann ist die Sonde Geschichte. Oliver
Thread beobachten
Seitenaufteilung abschaltenBitte melde dich an um einen Beitrag zu schreiben. Anmeldung ist kostenlos und dauert nur eine Minute.
Bestehender Account
Schon ein Account bei Google/GoogleMail? Keine Anmeldung erforderlich!
Mit Google-Account einloggen
Mit Google-Account einloggen
Noch kein Account? Hier anmelden.