Inkremental-Encoder für direkte Schaft-Montage

Posirot PMIS4/PMIR7 ist ein magnetischer, berührungsloser Inkremental-Encoder für raue Umweltbedingungen, der sich mithilfe von Slide-on-Technik direkt auf einen Schaft aufschieben lässt. Das Messsystem besteht aus einem Sensorkopf PMIS4 und einem Magnetring PMIR7 mit magnetischer Indexmarkierung.

Produktbericht

Inkremental-Encoder Posirot PMIS4/PMIR7 ASM

ASM: Der Sensorkopf besteht aus Metall und ist allseitig komplett geschlossen. Der Magnetring ist für unterschiedliche Schaftgrößen in Durchmessern von 27, 35 und 50 mm erhältlich. Dabei ermöglicht die Aufschiebe-Montage-Technologie eine Direktmontage auf einen Maschinen- oder Motorschaft ohne Kupplung. Der Sensor hat eine Linearität von ±0,1° und die Auflösung beträgt 184,320 Pulse pro Umdrehung. Dabei kann der Führungsabstand zwischen Sensorkopf und Magnetring bis zu 2 mm betragen, der seitliche Führungsabstand bis zu 1 mm. Der Sensor ist gegen elektromagnetische Störungen geschützt, verfügt über Schutzart IP67 und arbeitet bei Temperaturen von -40 bis 85 °C. Mögliche Ausgangsarten sind HTL und TTL.

(mou)

1. KI ist nicht nur für Datenwissenschaftler gedacht:
Ingenieure und Wissenschaftler, nicht nur Datenwissenschaftler, werden die Einführung von Deep Learning vorantreiben. Nicht nur die Offenheit für neue Techniken, sondern auch wirtschaftliche Vorteile, die Künstliche Intelligenz und Automatisierungstools versprechen, werden den zunehmenden Einsatz von KI durch Ingenieure und Wissenschaftler vorantreiben.
Neue Workflow-Tools vereinfachen und automatisieren die Daten-Synthese, das Labeling, die Vorverarbeitung und Bereitstellung von Daten. Diese Tools erweitern auch die Bandbreite der Anwendungen von Bild- und Computer-Vision bis hin zu Zeitreihen-Daten wie Audio, Signalverarbeitung und IoT, So wird KI abseits der Datenwissenschaft zum Beispiel in unbemannten Luftfahrzeugen (UAV) eingesetzt werden, um mithilfe von KI Objekte in Satellitenbildern zu erkennen, oder bei Krebsvorsorgeuntersuchungen zur Früherkennung von Krankheiten.

2. Industrielle Anwendungen erfordern Spezialisierung
Industrielle Anwendungsmöglichkeiten werden zu einem wichtigen Einsatzfeld für KI, erfordern aber auch eine größere Spezialisierung. Damit IoT- und KI-getriebene Anwendungen, wie Smart Cities, Predictive Maintenance und Industry 4.0 von visionären Konzepten zur Realität werden, müssen einige Kriterien erfüllt sein. Sicherheitskritische Anwendungen verlangen beispielsweise nach einer höheren Verlässlichkeit und Verifizierbarkeit. Wohingegen fortschrittliche mechatronische System Designansätze benötigen, die mechanische, elektrische und andere Komponenten integrieren.
Eine weitere Herausforderung ist, dass diese spezialisierten Anwendungen wie zum Beispiel Systeme zur Erkennung von Überhitzung bei Flugzeugtriebwerken oft von dezentralen Entwicklungs- und Serviceteams entwickelt und verwaltet werden. Sie sind somit nicht unter der IT zentralisiert.

3. Interoperabilität :
Für den Aufbau einer umfassenden KI-Lösung ist die Zusammenarbeit von verschiedenen Systemen, Programmen oder Plattformen essentiell. Die Realität ist, dass es kein einzelnes Framework gibt, das die besten Lösungen für alle Anwendungsbereiche der KI bieten kann. Derzeit konzentriert sich jedes Deep Learning Framework auf einige wenige Anwendungen und Produktionsplattformen, während effektive Lösungen Teile aus mehreren verschiedenen Workflows zusammenführen müssen.
Dies erzeugt Reibung und reduziert die Produktivität. Diesem Problem nehmen sich Unternehmen wie ONNX.ai an. Sie bieten eine Umgebung, in der Entwickler, das beste Werkzeug frei wählen, ihre Modelle einfacher teilen und ihre Lösungen auf einer breiten Palette von Produktionsplattformen einsetzen können.

4. Cloud Computing:
Gerade Public-Clouds werden zunehmend als Host-Plattform für KI genutzt. Sie werden sich weiterentwickeln, um die Komplexität zu reduzieren und werden die Abhängigkeit von IT-Abteilungen verringern.
Leistungsstarke GPU-Instanzen, flexible Speicheroptionen und produktionsreife Containertechnologien sind nur drei Gründe, warum KI-Anwendungen zunehmend Cloud-basiert sind. Für Ingenieure und Wissenschaftler erleichtert die Cloud-basierte Entwicklung die Zusammenarbeit und ermöglicht die bedarfsgerechte Nutzung von Computerressourcen, anstatt teure Hardware mit begrenzter Lebensdauer zu kaufen. Cloud-, Hard- und Softwareanbieter erkennen jedoch, dass diese Technologieplattformen für Ingenieure und Wissenschaftler oft schwierig einzurichten und in ihren Entwicklungsabläufen zu nutzen ist.

5. Edge-Computing:
Edge-Computing wird KI-Anwendungen in Szenarien ermöglichen, in denen die Verarbeitung lokal erfolgen muss. Edge-Computing für leistungsstarke, immer komplexere KI-Lösungen in Echtzeit wird durch die Fortschritte bei Sensoren und energiesparenden Computerarchitekturen möglich gemacht. Gerade für die Sicherheit in autonomen Fahrzeugen, die ihre Umgebung verstehen und davon ausgehend Verkehrssituationen in Echtzeit bewerten müssen, wird Edge-Computing von entscheidender Bedeutung sein.

6. Komplexität erfordert eine stärkere Zusammenarbeit :
Der zunehmende Einsatz von Machine- und Deep-Learning in komplexen Systemen wird viel mehr Mitarbeiter und eine stärkere Zusammenarbeit erfordern. Datenerhebung, -synthese und -kennzeichnung erhöhen den Umfang und die Komplexität von Deep-Learning-Projekten und erfordern größere, dezentralisierte Teams.
System- und Embedded-Ingenieure benötigen Flexibilität bei der Bereitstellung von Inferenzmodellen in Rechenzentren, Cloud-Plattformen und Embedded-Architekturen wie FPGAs, ASICs und Mikrocontrollern. Zusätzlich müssen sie über Fachwissen in den Bereichen Optimierung, Energiemanagement und Wiederverwendung von Komponenten verfügen. Ingenieure, die Inferenzmodelle entwickeln, müssen diese Informationen zusammenführen. Sie benötigen Werkzeuge, um die ständig wachsende Menge an Trainingsdaten zu bewerten und zu verwalten sowie für das Lifecycle-Management der Inferenzmodelle, die sie an Systemingenieure weitergeben.

Themen:

Encoder IEE