Das neue Analysetool Melsoft MaiLab (kurz für: Mitsubishi Electric AI Laboratory) soll Unternehmen bei der Digitalisierung ihrer Fertigung unterstützen. Die intuitiv bedienbare Plattform nutzt künstliche Intelligenz (KI), um Abläufe automatisch zu optimieren – sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung. Die Lösung ist schnell einsatzbereit und erfordert nur einen minimalen Schulungsaufwand und Vorwissen. Sie unterstützt den Benutzer Schritt für Schritt dabei, die Modelle zu erstellen. Diese Modelle werden aus historische Daten abgeleitet, weshalb der Benutzer über keine spezielle Fachkenntnisse verfügen muss. Die Software nutzt verschiedene Algorithmen für das maschinelle Lernen (ML). Somit können die Datenerfassung, die Erstellung von Vorhersagemodellen und die Auswertung großer Datenmengen komplett automatisiert werden.
MaiLab kann entweder auf einem PC lokal oder auf einem zentralen leistungsstarken PC/ Server installiert werden. Der Zugriff ist von jedem internetfähigen Gerät im Netzwerk und sogar von mehreren Benutzern gleichzeitig möglich.
Intuitive Benutzeroberfläche
Nach der Installation bietet Melsoft MaiLab eine intuitive Benutzeroberfläche. Die gut verständliche Anleitung navigiert auch Benutzer ohne umfassende Vorkenntnisse schrittweise durch das Programm. Außerdem hilft die Software den Benutzern zu verstehen, was die Daten aussagen, und unterstützt sie in allen Phasen eines Datenanalyseprojekts. Dies wird dadurch erreicht, dass die zu verarbeitenden Datensätze auf verschiedene Arten visualisiert werden können und Analysemodelle auf der Grundlage der von den Anwendern ausgewählten Ziele erstellt werden. Diese Prozesse innerhalb des KI-Analysewerkzeugs nutzen die bewährte Maisart-KI von Mitsubishi Electric (Mitsubishi Electric‘s AI creates the State-of-the Art in technology)
Offline, Echtzeit und abteilungsübergreifend
Melsoft MaiLab wurde entwickelt, um eine breite Palette unterschiedlicher Anwendungsszenarien zu unterstützen und lässt sich auch auf verschiedene Anwendungen zuschneiden. Beispielsweise kann die Software im Offline-Modus verwendet werden, um vorhandene Daten zur Erzeugung oder Optimierung geeigneter Vorhersagemodelle zu nutzen und wenn nötig mit Python-Skripten anzupassen. Die erzeugten Vorhersagemodelle können dann zur Echtzeit-Diagnose eingesetzt werden, wobei die während des Betriebs einer Anlage generierten Daten den Vorhersagemodellen zur Verfügung gestellt werden und Erkenntnisse über den Zustand der Anlage, ihre Leistung und Optimierungsmöglichkeiten liefern.
Darüber hinaus können neue Informationen genutzt werden, um die Genauigkeit der Modelle und der Ergebnisse kontinuierlich zu verbessern. Dies ermöglicht es Unternehmen ihre Produktivität im Laufe der Zeit zu steigern. (kf)
