Embedded-KI in Sensorplattformen

Data Driven Maintenance

Die aktuelle Generation von Maschinen und Anlagen kann eine große Menge von Daten liefern, die meist in einer Cloudlösung gespeichert und im Bedarfsfall analysiert wird. Gleichzeitig werden Embedded Devices immer leistungsfähiger, wodurch bereits neuronale Netze in solchen Systemen eingelernt und ausgeführt werden können. Das hierin liegende technische Potenzial zur automatisierten Überwachung ist also vorhanden, bleibt aber noch oft ungenutzt.
Bild: Knowtion GmbH

Die Plattformen die für die hier betrachteten Anwendungsfälle und Algorithmen-Pipeline betrachtet werden, basieren auf einem ARM-Cortex-M4F-Prozessor und besitzen ein integriertes Power-Management, analoge und digitale Peripheriegeräte zur Datenerfassung, -verarbeitung, -steuerung und -konnektivität. Als integrierte Sensoren stehen beispielsweise Temperatur, Luftfeuchte, Beschleunigung, Drehrate, Magnetfeld und sogar Akustik zur Verfügung. Die hier vorgestellte Algorithmen-Pipeline für die Anomalieerkennung wurde für solche Sensorplattformen implementiert und daraufhin abgestimmt, kann aber auch an andere Plattformen adaptiert werden.

Anwendungsspektren

Die Embedded-Sensorplattformen inklusive der dafür entwickelten Algorithmen haben ein sehr breites Anwendungsspektrum im Bereich der Überwachung von Maschinen, Anlagen und Prozessen von der Detektion von Anomalien bis zur komplexen Fehlerdiagnose und der sofortigen Einleitung der Störungsbeseitigung. Es können Prozesszustände, Lager- oder Statorschäden, Ausfall der Steuerungselektronik, etc. und auch unbekannte Veränderungen des Systemverhaltens z.B. durch einen Schaden in der Elektronik durch die Algorithmen erkannt werden. Ist ein Vorhersagemodell von bestimmten Schäden vorhanden, können diese sogar prädiziert werden.

Algorithmen für Embedded-Systeme

Die Verarbeitung der Daten mittels maschinellen Lernens erlaubt eine automatisierte Analyse auch von komplexen Sensordaten. Dadurch gelangt man in der gesamten Datenverarbeitungskette automatisch von den Daten zu der gewünschten Information und somit zu einem Mehrwert. Die Wahl eines Algorithmus ist oft von dem vorhandenen Wissen über die Anwendung abhängig. Ist umfangreiches Fachwissen vorhanden, spielen die eingesetzten Algorithmen eher eine unterstützende Rolle. Ist kein Expertenwissen vorhanden, können die Algorithmen wesentlich komplexer werden. Bei der Modellbildung, können prinzipiell zwei Ansätze unterschieden werden: datengetriebene und modellbasierte Ansätze.

Bild: Knowtion GmbH

Datengetriebene Ansätze

Sind lediglich Daten vorhanden und kein Hintergrundwissen, welches in Form von mathematischen Gleichungen beschreibbar wäre, so müssen sogenannte datengetriebene Ansätze gewählt werden. Diese Algorithmen extrahieren die gewünschte Information direkt aus den Daten. Hierzu zählen das gesamte Spektrum an Methoden aus dem maschinellen Lernen, wie beispielsweise Lineare Regression, Neuronale Netze, Random Forest oder Hidden Markov Modelle. Eine typische Algorithmen-Pipeline für datengetriebene Ansätze die auf Embedded-Sensorplattformen umgesetzt werden kann besteht aus vier Komponenten: Datenvorverarbeitung, Merkmalsextraktion, Merkmalsreduktion und der eigentliche maschinelle Lernalgorithmus. Der entscheidende Faktor hier ist der begrenzte Speicher der auf der Sensorplattform zur Verfügung steht. Deshalb müssen die maschinellen Lernalgorithmen, aber auch alle vorher erwähnten Algorithmen der gesamten Pipeline, so abgeändert werden, dass die Sensordaten jeweils direkt verarbeitet werden. Jeder Datenpunkt wird von den Algorithmen nur einmal verwendet, d.h., die gesamte Information wird direkt heraus extrahiert und das speicherintensive sammeln von großen Datenmengen – und damit verbunden auch die hohen Datentransfer- und Speicherkosten – entfällt. Diese Art der Verarbeitung wird auch Streaming-Analytics genannt. Die oben genannte Algorithmen-Pipeline wurde auf Sensorplattformen implementiert und für die Anomalieerkennung in unterschiedlichen Anwendungen evaluiert. Nachfolgend soll dies hinsichtlich der Überwachung eines Gleichstrommotors näher beschrieben werden. Als Eingangsdaten wurden die Beschleunigungs- und Gyroskopdaten mit einer Abtastung von jeweils 1kHz benutzt. Bei der Vibrations-Überwachung wurden zusätzlich noch die Akustik- und Magnetfelddaten als Eingangsdaten benutzt, um auch andere Auffälligkeiten wie beispielsweise akustische Veränderungen zu berücksichtigen. Durch diese Kombination der Sensoren über intelligente Algorithmen wurde die Detektionsgenauigkeit drastisch erhöht. Die Ergebnisse der lokalen Berechnung auf der Sensorplattform sind in der oberen Abbildung beispielhaft dargestellt. Es sind die Beschleunigungs- und Gyroskopdaten, die lokal abgeleiteten Merkmale und der lokal berechnete Anomalieindikator dargestellt. Es ist zu erkennen, dass dieser Indikator bei neuen Signalverhalten stark ansteigt und bei nochmaligem Auftreten sehr viel niedriger ist, d.h., dass neu erkannte Signal wurde durch den Lernalgorithmus in das Modell berücksichtigt und aktualisiert. In der praktischen Anwendung folgt, nachdem der Algorithmus alle Gut-Daten gesehen hat, die dauerhafte Überwachung der Maschine wo nur noch bei unbekannten Zuständen eine Warnung generiert werden würde.

Das könnte Sie auch Interessieren

Bild: TD SYNNEX Germany GmbH & Co. OHG
Bild: TD SYNNEX Germany GmbH & Co. OHG
TD Synnex ist Hauptvertriebspartner von SAS

TD Synnex ist Hauptvertriebspartner von SAS

SAS, Unternehmen im Bereich Analytics, hat eine weltweite Vereinbarung unterzeichnet, die TD Synnex, einen Distributor und Lösungsaggregator für das IT-Ökosystem, zum globalen Hauptdistributor für SAS-Lösungsanbieter macht. Damit will SAS seine umfangreiche Suite von KI- und Analytics-Software, darunter die Cloud-Plattform SAS Viya, erstmals ausgewählten Kunden in weiten Teilen Amerikas, Europas und Asiens über ein zweistufiges Vertriebskanalmodell anbieten.

Bild: Bihl+Wiedemann GmbH
Bild: Bihl+Wiedemann GmbH
(Zukunfts-)Sichere Lösung

(Zukunfts-)Sichere Lösung

Spax setzt bei der Produktion seiner Schrauben eine Vielzahl von gleichen oder ähnlichen Maschinen ein – Pressen und Walzen, die häufig schon aus den 1970er und 1980er Jahren stammen, aber so solide sind, dass sie regelmäßig mechanisch und elektronisch überholt werden. Dafür hat das Unternehmen einen eigenen Maschinenbau, der das Retrofit umsetzt und jedes Jahr zwischen acht und zwölf Maschinen überholt. Dieser hat sich für Lösungen mit ASi Safety und ASi-5 entschieden.

Bild: Geze GmbH
Bild: Geze GmbH
Überwachung von 
Rettungsweg und Fluchttüren

Überwachung von Rettungsweg und Fluchttüren

Die Integration von Rettungsweg- und Fluchttürüberwachung in das Gebäudeautomationsmanagement bietet vielfältige Vorteile. Es gibt bei Flucht- und Automatiktüren aber auch viel zu beachten, sowohl auf rechtlicher, als auch auf funktioneller Ebene. Die Unternehmen Iconag-Leittechnik und Geze arbeiten hierbei mit ihren Lösungen eng zusammen.

Bild: Phoenix Contact Deutschland GmbH
Bild: Phoenix Contact Deutschland GmbH
Höhere Verfügbarkeit bei 
geringeren Wartungskosten

Höhere Verfügbarkeit bei geringeren Wartungskosten

Die Krah-Gruppe stellt unter anderem Leistungswiderstände für die Automobilindustrie her. Zur Profinet-basierten Weiterleitung der Sensordaten wurden in der Vergangenheit Steckverbinder-Lösungen genutzt. Da diese in beweglichen Anwendungen wie den Laserschweißautomaten des Herstellers störanfällig sind und schnell verschleißen, kommt nun die kontaktlose und damit verschleißfreie Energie- und Ethernet-Übertragungslösung NearFi zum Einsatz.

Bild: TXOne Networks
Bild: TXOne Networks
CPS Cybersecurity

CPS Cybersecurity

Die Konvergenz von digitaler und physischer Welt hat im Zuge des rasanten technologischen Fortschritts zu einem neuen Bereich geführt, der als cyber-physische Systeme (CPS) bezeichnet wird. Diese Systeme verbinden computergestützte Algorithmen nahtlos mit physischen Prozessen und fördern so eine symbiotische Beziehung zwischen dem Virtuellen und dem Materiellen. Von autonomen Fahrzeugen und Smart Cities bis hin zur Industrieautomatisierung und der Kontrolle kritischer Infrastrukturen haben CPS die Art und Weise, wie wir mit unserer Umwelt interagieren und sie verwalten, revolutioniert.

Bild: Eurogard GmbH
Bild: Eurogard GmbH
Mehrwerte für Fernwartung, Monitoring und Analyse

Mehrwerte für Fernwartung, Monitoring und Analyse

Browser öffnen und einloggen: Schon sind alle verteilten Maschinen sichtbar. Eine integrierte Online-Plattform ermöglicht es Anwendern, Fernwartungsnetze, Maschinen-Monitoring und Datenanalyse vereint an einem Ort zu nutzen. Übersichtlichkeit, ein ausgefeiltes Rechtemanagement, vielfältige Analyse- und Service- Applikationen sollen dabei schnell und unkompliziert für spürbaren Nutzen bei Maschinenbauern und deren Kunden sorgen.