Nach der Insolvenz von VanMoof drohen bereits gekaufte Fahrräder unbrauchbar zu werden. Der Heiseverlag weist in seinem Artikel vom 18.07.23 auf die drohende Gefahr hin: https://www.heise.de/hintergrund/VanMoof-ist-insolvent-Die-wichtigsten-Fragen-und-Antworten-9219435.html

Solche Momente werden wir bald häufiger erleben. Durch abgeschaltete Server werden Hightechprodukte zu teurem Elektroschrott. Und dafür braucht es nicht erst eine Insolvenz.

Es reicht aus, wenn ein Hersteller sich entscheidet ein Produkt nicht weiterzuführen oder er für ein Nachfolgeprodukt auf eine neue Technologie setzt. Dann stellt sich im Produktmanagement schnell die Frage wie lange die digitalen Dienste für die alten unliebsamen Produkte noch gepflegt werden müssen, verursachen diese doch hohe Kosten.

Bei Kleingeräten (z. b. im Smart-Home-Bereich) mag das Abschalten für den Kunden noch verschmerzbar sein, bei einem Fahrrad für über 1.000 Euro ist das schon ärgerlicher und bei einem Auto erst recht. Bei „älteren“ BMWs funktioniert z. B. das Connected Drive nicht mehr. Der Grund: Abgeschaltete Server nach einem Architekturwechsel. Das Resultat: Keine Echtzeitstauinformationen mehr und auch keine anderen Onlinefunktionen. Zum Glück fahren die Autos noch.

Was aber, wenn (wie bei VanMoof) die digitalen Dienste den Großteil des Funktionsumfangs ausmachen und wir über wirklich teure Produkte wie Maschinen und Anlagen sprechen? Werden diese dann zu einem „Wegwerfartikel“ so wie viele Consumer-Elektronikprodukte, die man ständig neukaufen muss, weil sie nicht mehr unterstützt werden?

Es mag sein, dass diese Vorstellung dem ein oder anderen Vertriebler ein Glitzern in die Augen zaubert, aber so verschwenderisch darf unsere Welt nicht werden. Offengesagt habe ich für das Problem auch keine allgemeine Lösung aber zwei Dinge sind mir wichtig:

1. Liebe Produktmanager, erinnern Sie sich daran, dass der Produktlebenszyklus nicht mit der Produkteinführung endet, sondern mit der Abkündigung, wenn der Applaus über Ihre tollen neuen Funktionen längst verstummt ist. Wie lange können Sie die digitalen Dienste, mit denen Sie Ihr Produkt heute ausstatten aufrechterhalten? Bei einer Werkzeugmaschine kann die Nutzungsdauer schon mal 20 Jahren betragen. Haben Sie eine Exitstrategie, wenn Sie Ihre Dienste vorher abschalten müssen? Können Sie vielleicht Ihre Entwicklungen offenlegen, um diese in ein Opensourceprojekt zu überführen? Und muss überhaupt wirklich immer alles an der Cloud hängen?
2. Liebe Anwender, seien Sie sich darüber im Klaren, dass Onlinedienste nun mal laufende Kosten bei den Herstellern verursachen, die bezahlt werden müssen. Sie mögen kostenlose Updates vielleicht von Ihren Büroprogrammen gewohnt sein, aber beachten Sie das die Maschinenhersteller nicht Microsoft und Co. heißen und sich die wenigsten davon einen langjährigen unbezahlten Softwaresupport leisten können. Verteufeln Sie daher die neuen Vergütungsmodelle wie Subscription und Co. sowie Wartungsverträge nicht voreilig. Sie sind unerlässlich, wenn Sie Ihre Maschine langfristig mit digitalen Diensten ausstatten wollen.

Das Video ist eigentlich entstanden, damit ich ein bisschen den Umgang mit der Videoschnittsoftware üben kann. Aber weil ich dafür etwas aufnehmen musste, habe ich die Gelegenheit genutzt um in Kurzform über den Inhalt meiner Dissertation zu sprechen.

Zeit für ein neues IoT-Projekt. Ich wollte mich schon immer mit der Leistungskurvenanalyse beschäftigen. Deshalb habe ich mir ein Smartmeter für die Steckdose gebaut. Es gab mal einen Datenschützer der sagte, man könnte mit smarten Stromzählern herausfinden, welches Fernsehprogramm in einem Haus gerade gesehen wird, da ein helles Fernsehbild mehr Strom braucht als ein dunkles. Genau das probiere ich in diesem Video aus. Der Fernseher steht dabei aber exemplarisch für tausende Geräte und Maschinen deren Zustand man mit einem Smartmeter überwachen kann.

Wenn es um künstliche Intelligenz oder maschinelles Lernen geht, fällt neben den neuronalen Netzen besonders oft der Begriff „Support Vector Machine“ oder kurz SVM. Doch was kann das Verfahren und wie funktioniert es? Da ich mich in meiner Doktorarbeit mit der SVM beschäftigt habe, versuche ich mich heute mal an einer sehr einfachen Erklärung.

Ins Deutsche übersetzt bedeutet der Begriff „Support Vector Machine“ so viel wie“Stützvektormaschine“. Einen Stützvektor braucht man (neben dem oder den Richtungsvektoren) um die Lage einer Ebene im Raum zu beschreiben. Und genau diese Ebenen spielen bei der SVM eine wichtige rolle, wie wir in den zwei Beispielen sehen.

Die Support Vector Machine zur Klassifizierung

Die SVM wird gern für Klassifizierungsprobleme herangezogen also um Datenpunkte in Klassen oder Gruppen einzuteilen. Hierzu wird für n-dimensionale (z. B. 2-dimensionale) Punktemengen unterschiedlicher Kategorien eine Trennebene errechnet, die den maximalen Abstand zu den nächsten Punkten der zu trennenden Kategorie aufweist (Bild 1). Im dargestellten Beispiel sind in einem 1-dimensionalen Raum Punktemengen zweier Kategorien durch eine 0-dimensionale Trennebene (hier eher Trennpunkt) getrennt. Jeder neue Punkt könnte nun durch die Trennebene einer Kategorie zugeordnet werden.

Die Besonderheit der SVM liegt jedoch nicht in der Trennebene, sondern darin, dass Punktemengen eines n-dimensionalen Raumes, die sich nicht durch eine n-1-dimensionale Ebene (Hyperebene genannt) trennen lassen, in einen höherdimensionalen Raum transformiert werden können, in dem die Punkte dann trennbar werden. Im dargestellten Beispiel in Bild 2 sind Punktemengen zweier Klassen (Raute und Quadrat) im vorliegenden 1-dimensionalen Raum nicht voneinander trennbar, da eine Punkteklasse (Quadrat) die andere (Raute) umschließt.

Um die Punktemengen dennoch mithilfe linearer Ebenen zu trennen, werden diese in einen 2-dimensionalen Raum überführt (Bild 3). Die zweite Dimension wird dabei durch eine feste Bedingung in Form einer Funktion erstellt (im Beispiel Y=X²).

Aufgrund der entstandenen Krümmung lassen sich die Punkteklassen jetzt voneinander durch eine 1-dimensionale lineare Ebene trennen. Die zu trennenden Punkte können zur Lösungsfindung in Räume beliebiger Dimensionen-Anzahl überführt werden. Diese Methode wird als Kerneltrick bezeichnet. Da die trennende Hyperebene im n-dimensionalen Raum immer durch einen Stützvektor und n-1 Richtungsvektoren beschrieben wird, ist das Verfahren sehr einfach und ressourcenarm automatisierbar und wird daher gern zum maschinellen Lernen verwendet. Die SVM ist in der Regel auch performanter als beispielsweise ein neuronales Netz .

Die Support Vector Machine zur Regression

Das Besondere an der SVM ist aber, dass der Kerneltrick nicht nur zur Klassifikation, sondern auch zur Regression verwendet werden kann, um den stetigen Zusammenhang zwischen Ein- und Ausgangsvariablen zu analysieren und zu modellieren. Bild 4 zeigt Messdaten mit einem polynominalen Zusammenhang zwischen der Eingangsvariablen X und der Ausgangsvariablen Y. Die beispielhafte lineare Regression liefert im 2-dimensionalen kein Modell mit akzeptabler Genauigkeit, denn hier würde einfach nur eine Gerade herauskommen.

Mit der exemplarischen Bedingung Z = X * Y kann die Punkte-Menge jedoch, wie in Bild 5 dargestellt, in den 3-dimensionalen Raum transformiert werden.

Im nächsten Schritt wird eine Ebene erzeugt, auf der im Idealfall alle Punkte liegen. Analog zur Regression, z. B. mithilfe der Methode kleinster Fehlerquadrate, sind jedoch auch bei der Hyperebene Abweichungen möglich und kommen in der Realität vor. Im dargestellten Beispiel ist die vorliegende Ebene durch folgende Formel beschreibbar.

Durch Einsetzen der Nebenbedingung Z = X * Y und Auflösen der Formel nach Y kann die Formel erzeugt werden, die den Zusammenhang zwischen den Eingangsvariablen X und den Ausgangsvariablen Y beschreibt:

Das Modellierungsergebnis ist grafisch im letzten Bild dargestellt. Der reellen Funktion Y=X² entspricht das Modell der Support Vector Machine deutlich besser als die Regressionsgerade.

Die Genauigkeit der Support Vector Maschine kann durch Transformation der Punkte in noch höherdimensionale Räume verbessert werden. Zudem können neben der Regression auch Modelle mithilfe von Polynom- und Radialbasisfunktionen gebildet werden, was die Flexibilität und die Genauigkeit weiter erhöht. In der Praxis sind die Nebenbedingungen allerdings etwas komplizierter als die, die ich verwendet habe. Das Prinzip bleibt aber gleich.

Wer sich selbst einmal an der SVM versuchen möchte, dem lege ich die Software KNIME ans Herz mit der auch ich meine ersten Gehversuche in dem Thema gemacht habe. Wer lieber ein eigenes Programm schreiben möchte, kann die Bibliothek LibSVM für seine verwenden, die es eigentlich für jede Programmiersprache und auch für Matlab gibt.

Ich wollte schon immer ausprobieren ob es möglich ist, mit kleinen Programmieranleitungen die Digitalisierung im Mittelstand voranzutreiben. In diesem Videotutorial programmieren wir uns deshalb ein kleines BDE-Terminal selbst, mit dem wir unsere Aufträge in der Fertigung verfolgen können.

Ich möchte mit diesem Video zeigen, dass eine erste Auftragsverfolgung kein großer Aufwand ist. Außerdem möchte ich die Angst vorm Programmieren nehmen. Das Gestalten einer Exceltabelle ist oft aufwändiger als das Programmieren kleiner Anwendungen.

In diesem Video erkläre ich die Begriffe und den Unterschied zwischen MDE (Maschinendatenerfassung) und BDE (Betriebsdatenerfassung).

In diesem Video widme ich mich dem Unterschied zwischen Digitalisierung und Automatisierung. Außerdem erkläre ich den Unterschied zwischen Digitalisierung in der Produktion und Digitalisierung des Produktes und warum man beides stets trennen sollte.

Ich werde oft gefragt wo man mit der Digitalisierung in der Fertigung überhaupt anfangen soll. Die Frage ist pauschal schwer zu beantworten, aber in der Regel ist das Thema Datenerfassung oder „Monitoring“ ein guter Einstieg, der vom Aufwand und von den Kosten her überschaubar ist und einem eine Ahnung davon gibt, was in der eigenen Fertigung passiert.