Die immer größer werdende Anzahl an Sensoren und allgemein verfügbarer Datenquellen in industriellen Anwendungen führt dazu, dass die virtuelle Sicht auf die Maschinen, Anlagen oder Prozesse immer detaillierter wird. Dadurch steigt natürlich das Potenzial, Mehrwerte in der gesamten Wertschöpfungskette zu generieren.
Gleichzeitig kommt aber immer mehr die Frage auf, wie genau das Potenzial geschöpft werden kann – schließlich werden die Systeme und Architekturen zur Datenverarbeitung immer komplexer. Erst durch relevante, hochwertige und nutzbringende Daten – Smart Data – wird deren wirtschaftliches Potenzial entfaltet.
Das sind die Herausforderungen
Alle möglichen Daten zu erfassen und in der Cloud abzuspeichern in der Hoffnung, dass diese in der Zukunft ausgewertet, analysiert und strukturiert werden, ist immer noch ein sehr verbreiterter, aber kein sehr zielführender Ansatz. Das Potenzial, aus den Daten Mehrwerte zu generieren, bleibt ungenutzt und eine Lösung zu einem späteren Zeitpunkt zu finden, wird komplexer. Vielmehr sollte zu einem sehr frühen Zeitpunkt konzeptionell überlegt werden, welche Information für die Anwendung relevant sind und an welcher Stelle des Datenflusses extrahiert werden können.
Bildlich gesprochen bedeutet dies eine Veredelung der Daten, das heißt, für die gesamte Verarbeitungskette wird aus Big Data Smart Data gemacht. Schon 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, die zur Verfügung stehen oder Hintergrundwissen zu den unterlagerten physikalischen Prozessen.
Für die einzelnen Verarbeitungsschritte ist der richtige Umgang und Interpretation der Daten äußerst wichtig, um echten Mehrwert aus den Sensorsignalen zu generieren. Je nach Anwendung kann es schwierig werden, 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 häufig berücksichtigt werden. Für komplexe Aufgabenstellungen reichen einfache Schwellenwerte und manuell ermittelte Logik beziehungsweise Regeln nicht mehr aus.
KI-Algorithmen verarbeiten Daten
Die Verarbeitung der Daten mittels KI-Algorithmen hingegen 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 Mehrwert. Bei der Modellbildung, welches immer ein Teil der KI-Algorithmen ist, können prinzipiell zwei Ansätze unterschieden werden.
Ein Ansatz ist die Modellierung anhand von Formeln und expliziten Zusammenhängen zwischen den Daten und der gewünschten Information. Diese Ansätze gehen davon aus, dass physikalisches Hintergrundwissen in Form einer mathematischen Beschreibung vorhanden ist. Diese sogenannten modellbasierten Ansätze kombinieren nun die Sensordaten mit diesem Hintergrundwissen, um dadurch ein genaueres Ergebnis der gewünschten Information zu bekommen. Als bekanntesten Vertreter sei hier beispielhaft das Kalman-Filter genannt.
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.
Die Wahl einer KI-Methode ist oft von dem vorhandenen Wissen über die Anwendung abhängig. Ist das umfangreiche Fachwissen vorhanden, spielt die KI eher eine unterstützende Rolle und die eingesetzten Algorithmen sind eher rudimentär. Ist kein Expertenwissen vorhanden, sind die eingesetzten KI-Algorithmen wesentlich komplexer. In vielen Fällen ist es die Applikation, welche die Hardware definiert und dadurch auch die Beschränkungen für KI-Algorithmen.
Umsetzung in Embedded, Edge oder Cloud
Die gesamte Datenverarbeitungskette mit all den Algorithmen, die in jedem einzelnen Schritt notwendig sind, müssen so umgesetzt werden, dass ein möglichst hoher Mehrwert generiert werden kann. Die Umsetzung erfolgt in der Regel auf der gesamten Ebene – vom kleinen Sensor mit eingeschränkten Rechenressourcen über Gateways und Edge-Computer bis hin zu großen Cloud-Rechnern.
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 Fälle auch Algorithmen aus dem Streaming-Analytics-Bereich an. Diese Algorithmen verwenden jeden Datenpunkt nur einmal, das heißt, die gesamte Information wird direkt heraus extrahiert und die Daten brauchen nicht gespeichert zu werden.
Embedded-Plattform mit KI-Algorithmen
Der auf dem ARM-Cortex-M4F-Prozessor basierende Mikrocontroller ADuCM4050 von ADI ist ein extrem stromsparendes, integriertes Mikrocontrollersystem mit integriertem Power-Management, analogen und digitalen Peripheriegeräten zur Datenerfassung, -verarbeitung, -steuerung und -konnektivität. All dies macht es zu einem sehr guten Kandidaten für lokale Datenverarbeitung und die frühzeitige Veredelung von Daten mit modernen, intelligenten KI-Algorithmen.
Das EV-COG-AD4050LZ ist eine Ultra-Low-Power-Entwicklungsplattform für das gesamte Sensor-, Mikrocontroller- und HF-Transceiver-Portfolio von ADI. Das Shield EV-GEAR-MEMS1Z wurde hauptsächlich, aber nicht ausschließlich für die Bewertung verschiedener MEMS-Technologien von ADI konzipiert. Die Kombination aus EV-COG-AD4050LZ und EV-GEAR-MEMS1Z kann für den Einstieg in die Welt der Struktur- und Maschinenüberwachung auf der Grundlage von Schwingungs-, Schall- und Temperaturanalysen verwendet werden.
Auch andere Sensoren können an die COG-Plattform nach Bedarf angeschlossen werden, sodass die eingesetzten KI-Methoden durch die sogenannte Multi-Sensor-Datenfusion eine bessere Einschätzung der aktuellen Situation liefern können. Dadurch können verschiedene Betriebs- und Fehlerzustände mit einer besseren Granularität und höherer Wahrscheinlichkeit klassifiziert werden. Durch eine intelligente Signalverarbeitung in der COG-Plattform wird Big Data zu Smart Data, sodass nur die für den Anwendungsfall relevanten Daten in die Edge beziehungsweise Cloud weitergeleitet werden.
Für eine drahtlose Kommunikation beinhaltet die COG-Plattform zusätzliche Shields. Zum Beispiel der EV-COG-SMARTMESH1Z kombiniert eine hohe Zuverlässigkeit und Robustheit sowie einen extrem geringen Stromverbrauch mit einem 6LoWPAN und 802.15.4e standardisierten Kommunikationsprotokoll, das eine Vielzahl von industriellen Anwendungen adressiert. Das SmartMesh-IP-Netzwerk besteht aus einem hochskalierbaren, sich selbst formenden Multi-Hop-Mesh von drahtlosen Knoten, die Daten sammeln und weiterleiten. Ein Netzwerkmanager überwacht und verwaltet die Netzwerkleistung und -sicherheit sowie tauscht Daten mit einer Hostanwendung aus.
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 dem ADuCM4050 eingebetteten KI-Algorithmen reduziert den Datenfluss und senkt dadurch den Stromverbrauch im Vergleich zur direkten Übertragung der Sensordaten in die Edge oder Cloud.
Anwendungen für ein breites Spektrum
Die COG-Entwicklungsplattform inklusive den dafür entwickelten KI-Algorithmen hat 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.
Durch die integrierten Beschleunigungssensoren, ein Mikrofon und einen Temperatursensor erlaubt dieses beispielsweise die Überwachung von Vibrationen und Geräuschen von diversen industriellen Maschinen und Anlagen. Es können Prozesszustände, Lager- oder Statorschäden, Ausfall der Steuerungselektronik und auch unbekannte Veränderungen des Systemverhaltes beispielsweise durch einen Schaden in der Elektronik durch KI erkannt werden. Ist ein Vorhersagemodell von bestimmten Schäden vorhanden, können diese sogar prädiziert werden.
Somit kann frühzeitig durch Wartungsmaßnahmen reagiert und unnötige Schadensausfälle vermieden werden. Falls kein Vorhersagemodell existiert, kann die COG-Plattform auch Fachexperten helfen, das Verhalten von Maschinen sukzessive zu erlernen und im Laufe der Zeit ein umfangreiches Modell der Maschine für die prädiktive Instandhaltung herzuleiten.
Plattform mit intelligenter Skalierbarkeit
Im Idealfall sollen die KI-Algorithmen durch die entsprechende lokale Datenanalyse auch selbst entscheiden können, welche Sensoren für die jeweilige Applikation relevant sind und welcher Algorithmus gerade am besten dafür geeignet ist. Das bedeutet die intelligente Skalierbarkeit der Plattform. Momentan ist es immer noch der Fachexperte, der für die jeweilige Anwendung den besten Algorithmus finden muss, obwohl die von uns eingesetzten KI-Algorithmen sich bereits mit einem geringen Implementationsaufwand für diverse Anwendungen für die Maschinenüberwachung skalieren lassen.
Die eingebettete KI soll auch eine Entscheidung über die Qualität der Daten treffen, und falls diese unzureichend ist, die optimalen Einstellungen für die Sensoren sowie die gesamte Signalaufbereitung finden und setzen. Werden mehrere verschiedene Sensormodalitäten für die Fusion verwendet, können Nachteile bestimmter Sensoren und Verfahren durch die Anwendung eines KI-Algorithmus ausgeglichen werden. Dadurch erhöhen sich die Qualität der Daten und die Zuverlässigkeit des Systems. Wird ein Sensor für die jeweilige Applikation als nicht beziehungsweise weniger relevant durch den KI-Algorithmus eingestuft, kann dessen Datenfluss entsprechend gedrosselt werden.
Die offene COG-Plattform von ADI enthält ein frei erhältliches Software Development Kit und viele Beispielprojekte für Hardware und Software, um das Erstellen eines Prototyps zu beschleunigen, die Entwicklung zu erleichtern und eigene Ideen zu verwirklichen. Durch die Multi-Sensor-Datenfusion (EV-GEAR-MEMS1Z) und Embedded-KI (EV-COG-AD4050LZ) kann ein robustes und zuverlässiges, drahtloses vermaschtes Netzwerk (SMARTMESH1Z) von intelligenten Sensoren erstellt werden.
