Condition Monitoring verteilter Anlagen
IoT-Monitoring per LPWA-Funkverbindung
Industrielle Geräte erzeugen beim Echtzeit-Condition-Monitoring größere Datenmengen, die permanent zu analysieren sind. Ein Sensorrohdaten-Stream in die Cloud ist meist unpraktikabel, zumal dort nur die Analyseergebnisse benötigt werden. Passende Sensorkonzepte können Daten so vorverabeiten, dass sich die verdichteten Informationen schließlich sogar per Low Power Wide Area (LPWA)-Funkverbindungen über größere Entfernungen übertragen lassen.
Bild: SSV Software Systems GmbH

Begleitend zum rasanten Wachstum an installierten IoT-Geräten haben sich verschiedene Funktechnologien für die Sensordatenübertragung in industriellen IoT-Projekten etabliert. Einige nutzen lizenzpflichtige Frequenzen, wie LTE-m oder NB-IoT. Andere teilen sich die lizenzfreien Bänder im Bereich von 868MHz, 2.4 oder 5GHz. Dazu gehören LoRa, Mioty und WLAN. Die Auswahl der Funktechnologie für eine IoT-Sensorapplikation ist anspruchsvoll und sollte unter Einbeziehung von Experten bearbeitet werden. LoRa und Mioty etwa sind eine gute LPWA-Wahl, wenn pro Tag kleine Datenmengen über größere Entfernungen übertragen werden und sich Firmen um die Netzwerkinfrastruktur weitgehend selbst kümmern. Sollen IoT-Sensoren relativ standortunabhängig in verschiedenen Ländern Daten erfassen, ohne Infrastrukturaufwand zu verursachen und sollen dabei keine monatlichen SIM-Kartengebühren anfallen, kommt NB-IoT als LPWA-Standard in Frage. Auf Grund der geringen Bandbreite werden sowohl für LoRa und Mioty als auch NB-IoT sinnvollerweise Sensoren mit eingebetteten KI-Algorithmen benötigt.

Kategoriale Sensordaten

Die meisten Sensoren erfassen typischerweise eine bestimmte physikalische Messgröße und liefern etwa am Ausgang eine Spannung oder einen Widerstands- bzw. Kapazitätswert, der dem zeitlichen Verlauf der Eingangsmessgröße folgt. Abhängig vom Wirkprinzip des Sensorelements und dem jeweiligen Messverfahren fallen dabei innerhalb einer bestimmten Zeitspanne relativ große Datenmengen an. Bei einem MEMS-Beschleunigungssensor, der die auf eine Testmasse wirkende Trägheitskraft über kapazitive Veränderungen bestimmt, können das je nach Bandbreite und Anzahl der Beschleunigungsachsen schon mehrere tausend Bytes pro Sekunde sein. Selbst bei einem einfachen Infrarot-Sensor-Array mit 8×8 Pixeln zur Temperaturmessung von Flächen und anderen Objekten entstehen über eine bestimmte Entfernung bei einer Auffrischrate von 1Hz immer noch 128 Bytes je Sekunde. Im industriellen IoT, also in der Welt der Maschinen und Anlagen, gibt es unzählige Anwendungen, in denen ein Sensordatenstrom zur Informationsgewinnung über Datenanalysen in einen kategorialen Ausgangswert umgewandelt wird. Ein typisches Beispiel wäre das Condition Monitoring. Dazu gehört sehr häufig die Fragestellung, in welchem Zustand die Maschine jeweils ist (Maschine ist im Standby-Zustand, Maschine ist aktiv und produziert oder die Maschine befindet sich in einer Rüstphase). Ein weiteres Beispiel wäre der Verschleißzustand der Schleifringkomponenten einer Antriebsbaugruppe mit Hilfe von Thermografiebildern. Hier sind lediglich zwei Zustände relevant: OK oder kritisch.

Durch TinyML sind LPWA-Sensoren realisierbar, die Eingangsmessgrößen mit Machine Learning (ML)-Modellen direkt im Sensor analysieren und am Ausgang zum ­Beispiel eine kategoriale Variable liefern. – Bild: SSV Software Systems GmbH

Embedded Data Analytics

Die erforderlichen Sensordatenanalysen für eine möglichst genaue Zustandsklassifizierung sind beim derzeitigen Stand der Technik auch direkt in einem Sensor durchführbar. Die dafür relevanten Funktionsbausteine lassen sich unter dem Oberbegriff TinyML zusammenfassen. Hinter diesem relativ neuen Begriff verbirgt sich eine Sammlung von Methoden und Konzepten für Machine Learning (ML)-Anwendungen mit eingebetteten Mikrorechnersystemen (Embedded Systems). Zu TinyML gehören sowohl Algorithmen und andere Softwarefunktionen als auch Hardwareaspekte. TinyML nutzt gegenwärtig in erster Linie das Supervised Machine Learning. Dieses ML-Verfahren besteht aus den Schritten Modellbildung und Modellnutzung. Im ersten Schritt wird anhand speziell erfasster Daten ein ML-Modell erzeugt und in einer Datei gespeichert. Dabei kommen künstliche neuronale Netzwerke (KNN) zum Einsatz, deren Gewichtungsparameter die Zusammenhänge der erfassten Daten ‚erlernen‘. Dieser Vorgang ist insgesamt sehr rechenintensiv und sollte daher in der Cloud oder auf entsprechend leistungsfähigen Servern erfolgen. Mit dem jeweils erzeugten Modell lässt sich praktisch jede mathematische Regressions- oder Klassifizierungsaufgabe lösen. Entscheidend ist allerdings die Qualität der erfassten Daten, aus denen das KKN die Zusammenhänge erlernt. Via TinyML-Methoden ist aus der Modelldatei ein Embedded-Code zur Modellnutzung erstellbar, die sich direkt in einem Sensor ausführen lässt. Damit lassen sich bisher unbekannte (Sensor-) Eingangsdaten periodisch analysieren. Das Ergebnis ist jeweils ein Regressand (also eine von den Eingangsdaten abhängige Ausgangsvariable) oder eine Klasse. Dieser ML-Modell-basierte Analysevorgang wird auch als Inferenzphase bezeichnet.

ML-Modell erforderlich

Die Schlüsselkomponenten zur Reduzierung des Sensorrohdatenvolumens und zur LPWA-Nutzung sind das Machine-Learning-Modell und eine Inferenzfunktion. Dafür werden auf jeden Fall qualifizierte Daten benötigt, in denen ein Lernalgorithmus die gewünschten Zusammenhänge vorfindet. Sowohl für den Lernvorgang als auch für die spätere Inferenzphase sind einige Parameter zu spezifizieren, die das KNN selbst und die Optimierungsmethodik des Lernvorgangs usw. beschreiben. Das nach dem Lernvorgang vorliegende Modell ist bezüglich der Genauigkeit zu prüfen (davon hängt die Fehlerquote der Inferenz ab). Gegebenenfalls ist die Modellbildung mit veränderten Parametern zu wiederholen. Bei einer zufriedenstellenden Genauigkeit wird das Modell in ein TinyML-Format umgewandelt und in die Sensorsoftware integriert. Um dem interessierten Leser die dafür erforderliche Vorgehensweise beispielhaft aufzuzeigen, wurden unter github.com IR-Wärmebilder als Beispieldaten plus erforderlichem Python-Code für ein geeignetes ML-Modell inklusive einer Beschreibung veröffentlicht, welches sich mit der Open-Source-Bibliothek TensorFlow erstellen lässt.

www.ssv-embedded.de

SSV Software Systems GmbH
http://www.ssv-embedded.de

Das könnte Sie auch Interessieren

Bild: IXON B.V.
Bild: IXON B.V.
Cloud Support

Cloud Support

Eine Plug&Play-Automatisierungslösung für die Wartung und Bestückung von CNC-Maschinen, in Verbindung mit einer industriellen Cloudlösung, kann Produktionsprozesse unterstützen. Besonders wichtig bei dieser
Kombination ist es, die Anwendung möglichst unkompliziert im täglichen Betrieb umzusetzen.

Bild: Consilio GmbH
Bild: Consilio GmbH
Der Kunde ist König 
und stets in Eile

Der Kunde ist König und stets in Eile

Die Ersatzteilversorgung in der Automobilindustrie besitzt einen sehr kurzfristigen Charakter. Anwendungen zum Abbilden solcher Prozesse sind S/4Hana Supply Chain Management sowie S/4Hana-Automotive-Ersatzteilmanagement. Die wichtigen Zielgrößen für die Versorgungsqualität sind Lieferservicegrad und Time-to-Delivery.

Bild: SEH Engineering GmbH
Bild: SEH Engineering GmbH
Neues Leben für alte Anlagen

Neues Leben für alte Anlagen

Im Leben einer Bestandsförderanlage stellt sich früher oder später heraus, dass sie in ihrer Ursprungsform den modernen Ansprüchen nicht mehr genügt. Eine Erneuerung kann vielerlei Gründe haben, doch nicht immer ist ein komplett neues Fördersystem notwendig. Stattdessen rückt ein Retrofit mehr und mehr in den Fokus der Produktionsbetriebe. Denn die Aufarbeitung vorhandener Anlagenteile und die Integration von Standardkomponenten im Sinne des Gleichteileprinzips sparen nicht nur Kosten und Zeit bei der Modernisierung, sondern auch anschließend bei Betrieb und Wartung.

Wenn die Maschinen stillstehen

Eine Senseye-Umfrage unter großen Industrieunternehmen hat ergeben, dass große Werke 27 Stunden pro Monat aufgrund von Machinenausfällen verlieren und jede Stunde ungeplanten Stillstandes rund 532.000US$ (ca. 450.000€) kostet. Der Verlust wird auf 3,3 Millionen Produktionsstunden geschätzt. Das entspricht 864Mrd.US$ (ca. 730Mrd.€) pro Jahr bei den Fortune Global 500 Industrieunternehmen.

Master-Studiengang ‚Cybersecurity‘

Die Universität des Saarlandes startet ab dem Wintersemester 2021/22 mit ‚Cybersecurity‘ einen englischsprachigen Masterstudiengang, der auf Sicherheit in der Informationstechnik spezialisiert ist.

Koch-Pac-Systeme setzt auf MobileX

MobileX hat Koch-Pac-Systeme als neuen Kunden für MobileX-CrossMIP, die Service-App für Techniker, und MobileX-Dispatch, die Software zur Einsatzplanung, gewonnen.