Machine Learning zur Prozessanalytik am Beispiel hyperspektraler Bildgebung

Apr
10
2018

Analytica Conference > GDCh / Room 3 > From Big Data to Smart Data

10. Apr 2018
10:30-11:00 h  |  ICM - Internationales Congress Center München Room 3

Additional informations in detail view:
o Attachments
o Presscontact
o Alternative Events

Details

Subjects: 

Digital Transformation / Smart Laboratory

|

Analytic

|

Applications

Speaker: 

Dr. Jan Makowski 

(LuxFlux GmbH)

Type:
Lecture
Speech: German

Hyperspektrale Bildgebung (HSI) kann als eine Erweiterung der Prozessspektroskopie
um zwei räumliche Dimensionen betrachtet werden. Ein hyperspektrales Bild, auch
Datencube genannt, enthält in jedem Bildpunkt die volle spektrale Information.
Einsatzmöglichkeiten für HSI bieten sich dort, wo man zusätzlich zur Bildinformation
auch chemische Informationen benötigt. Man kann damit z.B. Kunststoffe nach Ihrer
Zusammensetzung sortenrein trennen oder Tabletten auf den Wirkstoffgehalt
untersuchen. Hyperspektrale Kameras haben Datenraten, die leicht 50 MByte/s
übersteigen können. Solche Datenmengen können nur von einem Embedded System
vor Ort mittels maschinellem Lernen (ML) bewältigt werden.
ML fällt grob betrachtet in zwei Kategorien. Von unsupervised Learning spricht man,
wenn das System ohne beschreibende Information selbsttätig die relevanten
Zusammenhänge aus den Daten ableitet. Da ein solches System kein Wissen über den
Prozess mitbringt, fällt es ihm schwer zwischen Kausalität und Korrelation zu
unterscheiden. Im Gegensatz dazu fließt beim supervised Learning zusätzliche
Informationen über den Prozess in den Lernprozess mit ein. Ein Experte lernt das
System auf Basis seines Wissen und seiner Erfahrung ein. Ein ML-Modell erhält
Expertenwissen in zweierlei Form. Zum einen fließt das Wissen in die Definition der
algorithmischen Prozessierungskette ein, also welche Algorithmen in welcher Abfolge
und mit welchen Parametern eingesetzt werden. Zum anderen enthält das Modell
prozessspezifische Referenzdaten. Die können zum Beispiel Referenzspektren sein,
um Kunststoffe voneinander zu unterscheiden oder auch die Information, welches
Spektrum welchem Wirkstoffgehalt entspricht.
Um ML zur Prozessanalytik einzusetzen bedarf es einer durchgängigen Software-
Infrastruktur, die einen geschlossenen Kreis von der Entwicklung über die Produktion
zur Qualitätssicherung bildet. Im ersten Schritt lernt die Entwicklung das ML-System
an. Dazu benötigt sie die Fähigkeit schnell unterschiedliche algorithmische
Verarbeitungsketten aufzubauen, diese mit Referenzdaten anzulernen und
anschließend anhand weiterer Daten zu validieren. Im zweiten Schritt unterstützt die
Software die Freigabe der erstellten Modelle für die Produktion. Im Prozess selbst,
nutzt eine Software das Model, um die Daten im 24/7 Dauerbetrieb auszuwerten.
Parallel dazu kontrolliert die Qualitätssicherung die Zuverlässigkeit der Ergebnisse und
stellt der Entwicklung weitere Messdaten zur Verfügung. Diese kann dann die Modelle
nachjustieren und verbessern.
Hyperspektrale Bildgebung erweitert Spektroskopie um räumliche Information. Die
hohe Datenmenge lässt sich nur durch maschinelles Lernen bewältigen. Der Einsatz im
Produktionsumfeld erfordert eine durchgängige Softwareinfrastruktur von der
Entwicklung zur Qualitätssicherung.

Speaker
Dr. Jan Makowski, LuxFlux GmbH Show Profile

Location
Outdoor areas
EntranceNorth-East
EntranceNorth-West
EntranceNorth
ConferenceCenter Nord
ICM -InternationalesCongressCenterMünchen
B0
C1
C2
C3
C4
C5
C6
B1
B2
B3
B4
B5
B6
EntranceWest
Atrium
A1
A2
A3
A4
A5
A6
EntranceEast
EntranceNorth-West
EntranceNorth
Outdoor areas
EntranceNorth-East
ConferenceCenter Nord
ICM
B0
C1
C2
C3
C4
C5
C6
B1
B2
B3
B4
B5
B6
EntranceWest
Atrium
EntranceEast
A1
A2
A3
A4
A5
A6
Apr
10
2018

Analytica Conference > GDCh / Room 3 > From Big Data to Smart Data

Big Data Approaches for Process Sensors - First Experiences and Challenges

10. Apr 2018
10:00-10:30 h  |  ICM - Internationales Congress Center München Room 3
Speaker: Prof. Dr. Christian Decker (Hochschule Reutlingen)

Additional informations in detail view:
o Attachments
o Presscontact
o Alternative Events

Details
Apr
10
2018

Analytica Conference > GDCh / Room 3 > From Big Data to Smart Data

Data integration including spectroscopic Data: - Vision and benefit of an overdue issue

10. Apr 2018
11:00-11:30 h  |  ICM - Internationales Congress Center München Room 3
Speaker: Dr. Matthias Odenweller (EvonikTechnology & Infrastructure GmbH)

Additional informations in detail view:
o Attachments
o Presscontact
o Alternative Events

Details
Apr
10
2018

Analytica Conference > GDCh / Room 3 > From Big Data to Smart Data

Cloud Computing – The next generation of material scanning solutions

10. Apr 2018
11:30-12:00 h  |  ICM - Internationales Congress Center München Room 3
Speaker: Prof. Dr. Dominik Rabus (Spectral Engines)

Additional informations in detail view:
o Attachments
o Presscontact
o Alternative Events

Details