In Industrie-4.0-Anwendungen entsteht eine riesige Menge an komplexen Daten – Big Data. Die immer größer werdende Anzahl an Sensoren und allgemein verfügbarer Datenquellen führt dazu, dass die virtuelle Sicht auf die Maschinen, Anlagen oder Prozesse immer detaillierter wird. Dadurch steigt das Potenzial Mehrwerte in der gesamten Wertschöpfungskette zu generieren. Gleichzeitig kommt aber immer mehr die Frage auf, wie genau sich dieses Potenzial nutzen lässt. Schließlich steigt die Komplexität der Systeme und Architekturen zur Datenverarbeitung und zusätzlich nimmt auch die Zahl der Sensoren und Aktoren immer weiter zu. Erst durch relevante, hochwertige und nutzbringende Daten – Smart Data – wird deren wirtschaftliches Potenzial entfaltet.

KI-Implementierung frühzeitig und gezielt planen

Eckdaten

Sensordaten gelten als Grundlage für automatisierte System in Industrie-4.0-Umgebungen, allerdings sammeln sie eine große Menge an Daten – Big Data. Mithilfe von KI-Algorithmen lassen sich diese Daten in relevante Daten umwandeln – Smart Data. Die KI-Algorithmen können dabei mit zwei unterschiedlichen Modellen arbeiten. Der datengetriebene Ansatz erkennt etwa Anomlien, während der modelbasierende Ansatz mit dynamischer Lageschätzung arbeitet. Der Entwickler muss hier abschätzen, welcher Ansatz sich für seine Anwendung eignet.

Alle möglichen Daten zu erfassen und in der Cloud abzuspeichern in der Hoffnung, sie in Zukunft auszuwerten, zu analysieren und zu strukturieren, ist immer noch ein sehr verbreiteter, aber kein sehr zielführender Ansatz. Das Potenzial, aus den Daten Mehrwert zu generieren, bleibt somit ungenutzt und eine Lösung zu einem späteren Zeitpunkt zu finden wird komplexer. Vielmehr sollten Systemdesigner zu einem möglichst frühen Zeitpunkt konzeptionell überlegen, welche Informationen für die Anwendung relevant sind und an welcher Stelle des Datenflusses sie sich extrahieren lassen (Bild 1). Bildlich gesprochen bedeutet dies eine Veredelung der Daten, das System also macht für die gesamte Verarbeitungskette aus Big Data Smart Data. Bereits auf Anwendungsebene kann entschieden werden, welche KI-Algorithmen für die einzelnen Verarbeitungsschritte eine hohe Erfolgswahrscheinlichkeit haben. Dies hängt von verschiedenen Randbedingungen ab wie Datenlage, Art der Anwendung, Sensormodalitäten oder Hintergrundwissen zu den unterlagerten physikalischen Prozessen.

Für die einzelnen Verarbeitungsschritte sind der richtige Umgang und Interpretation der Daten äußerst wichtig, um echten Mehrwert aus den Sensorsignalen zu generieren. Je nach Anwendung kann es schwierig sein, die einzelnen Sensordaten richtig zu interpretieren und die gewünschte Information zu extrahieren. Oft spielt das zeitliche Verhalten eine Rolle und hat direkten Einfluss auf die gewünschte Information. Aber auch die Abhängigkeiten mehrerer Sensoren untereinander müssen Entwickler häufig berücksichtigen. Für komplexe Aufgabenstellungen reichen einfache Schwellenwerte und manuell ermittelte Logik nicht mehr aus oder sie erlauben keine automatische Anpassung an sich ändernde Umgebungsbedingungen.

KI-Umsetzung in Embedded, Edge oder Cloud?

Bild 0: Blockdiagramm der iCOMOX-Plattform.

Bild 0: Blockdiagramm der iCOMOX-Plattform Analog Devices

Die gesamte Datenverarbeitungskette müssen Entwickler mit all den Algorithmen, die in jedem einzelnen Schritt notwendig sind, so umsetzen, dass sie einen möglichst hohen Mehrwert generieren kann. Die Umsetzung erfolgt in der Regel auf der gesamten Ebene, die vom kleinen Sensor mit eingeschränkten Rechenressourcen, über Gateways und Edge-Computern bis hin zu großen Cloud-Rechnern reicht.

Dabei ist klar, dass die Algorithmen nicht einzig auf einer Ebene implementiert sein sollten. Vielmehr ist es in den meisten Fällen vorteilhafter, die Algorithmen möglichst nahe am Sensor zu implementieren. Dadurch wird eine möglichst frühe Verdichtung und Veredlung der Daten erreicht und es reduziert die Kommunikations- und Speicherkosten. Durch die frühzeitige Extraktion der wesentlichen Information aus den Daten ist außerdem die Entwicklung von globalen Algorithmen auf den höheren Ebenen weniger komplex. Um die Daten nicht unnötig zu speichern und dadurch hohe Datentransfer- und Speicherkosten zu verursachen, bieten sich in den meisten Fällen auch Algorithmen aus dem Streaming-Analytics-Bereich an. Diese Algorithmen verwenden jeden Datenpunkt nur einmal, das heißt, sie extrahieren die gesamte Information direkt heraus und es ist somit nicht nötig, die Daten zu speichern.

Embedded-Plattform für zustandsbasierende Überwachung

Bild 1: Aufteilung der Algorithmen-Pipeline auf Embedded-, Edge- und Cloud-Plattformen. Hinweis: in diesem Artikel liegt der Fokus auf Embedded-Plattformen.

Bild 1: Aufteilung der Algorithmen-Pipeline auf Embedded-, Edge- und Cloud-Plattformen. Hinweis: in diesem Artikel liegt der Fokus auf Embedded-Plattformen. Analog Devices

Die auf dem Cortex-M4F-Prozessor von ARM basierende Open-Embedded-Plattform Icomox (Eigenschreibweise: iCOMOX) von Shiratech Solutions, Arrow und Analog Devices ist ein integriertes Mikrocontrollersystem mit integriertem Powermanagement, analogen und digitalen Sensoren und Peripheriegeräten zur Datenerfassung, -verarbeitung, -steuerung und -konnektivität. All dies macht sie zu einem guten Kandidaten für lokale Datenverarbeitung und die frühzeitige Veredelung von Daten mit intelligenten KI-Algorithmen.

Icomox steht für Intelligent Condition Monitoring Box. Sie lässt sich für den Einstieg in die Welt der Struktur- und Maschinenüberwachung auf der Grundlage von Schwingungs-, Magnetfeld-, Schall- und Temperaturanalysen verwenden und auf Wunsch um weitere sensorische Modalitäten erweitern wie etwa um Gyroskop-Sensoren von Analog Devices für die Messung von Drehraten in Umgebungen mit hohen Schock- und Vibrationsbelastungen (Bild 0). Die in der Icomox-Plattform implementierten KI-Methoden können durch die sogenannte Multi-Sensor-Datenfusion eine bessere Einschätzung der aktuellen Situation liefern. So lassen sich verschiedene Betriebs- und Fehlerzustände mit einer besseren Granularität und höherer Wahrscheinlichkeit klassifizieren. Eine intelligente Signalverarbeitung in der Icomox wandelt Big Data in Smart Data, sodass das System nur die für den Anwendungsfall relevanten Daten in die Edge oder die Cloud weiterleitet.

Bei der drahtlosen Kommunikation bietet die Icomox eine Lösung mit hoher Zuverlässigkeit und Robustheit sowie geringem Stromverbrauch. Das Smart-Mesh-IP-Netzwerk besteht aus einem hochskalierbaren, sich selbst formenden und optimierenden Multi-Hop-Mesh von drahtlosen Knoten, die Daten sammeln und weiterleiten. Ein Netzwerkmanager überwacht und verwaltet die Netzwerkleistung und -sicherheit und tauscht zudem Daten mit einer Hostanwendung aus. Das intelligente Routing des Smart-Mesh-IP-Netzwerkes ermittelt einen optimalen Pfad für jedes einzelne Paket unter Berücksichtigung der Verbindungsqualität, des Zeitplanes jeder Pakettransaktion und der Anzahl der Multi-Hops in der Kommunikationsverbindung.

Bild 2: Datengetriebene Ansätze für Embedded-Plattformen

Bild 2: Datengetriebene Ansätze für Embedded-Plattformen Analog Devices

Insbesondere bei den drahtlosen batteriebetriebenen Zustandsüberwachungssystemen kann die Embedded-KI den vollen Mehrwert entfalten. Die lokale Umsetzung von Sensordaten zu Smart Data durch die in der Icomox eingebetteten KI-Algorithmen reduziert den Datenfluss und senkt dadurch den Stromverbrauch im Vergleich zur direkten Übertragung der Sensordaten in die Edge oder Cloud.

Im Video: Icomox macht aus großen Datenmengen Smart Data

Erfahren Sie auf der nächsten Seite, wie sich KI-Algorithmen zur Datenanalyse nutzen lassen.

Seite 1 von 212