Anzeige
Anzeige
Beitrag drucken

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)

(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.

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 ­https://github.com/SSV-embedded/TinyML_IR-Sensor 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.

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)

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)

 


Das könnte Sie auch interessieren:

Ab und zu fehlte ein Schlüssel im Kloster der Franziskanerinnen der ewigen Anbetung von Schwäbisch Gmünd. Beim letzten Mal gab das den Impuls, anstatt neue mechanische Zylinder in die rund 220 Türen des Komplexes einzubauen, die alte Technik durch das Bluesmart-System von Winkhaus zu ersetzen.‣ weiterlesen

Mit 100,5 Punkten hält sich das IAB-Arbeitsmarktbarometer im November stabil und liegt weiter im leicht über der neutralen Marke. Auf europäischer Ebene sank der Frühindikator allerdings erneut.‣ weiterlesen

In einer neuen Expertise des Forschungsbeirats Industrie 4.0 untersuchen das FIR an der RWTH Aachen und das Industrie 4.0 Maturity Center den Status-quo und die aktuellen Herausforderungen der deutschen Industrie bei der Nutzung und wirtschaftlichen Verwertung von industriellen Daten und geben Handlungsempfehlungen für Unternehmen, Verbände, Politik und Wissenschaft.‣ weiterlesen

Im Forschungsprojekt FabOS soll eine KI-Bin-Picking-Anwendung entstehen, die ein verbessertes Erkennen, Greifen und definiertes Ablegen von Blechteilen in der Produktion ermöglicht.‣ weiterlesen

Die Digitalisierung des Qualitätsmanagements stellt Unternehmen vor Herausforderungen. Daher haben das Fraunhofer IPT und die FH Südwestfalen im Forschungsvorhaben 'Qbility - Quality 4.0 Capability Determination Model' ein datengetriebenes Reifegradmodell entwickelt, das die Anforderungen eines digitalisierten Qualitätsmanagements bei KMU adressiert.‣ weiterlesen

Im Gegensatz zu anderen Cyberangriffen bieten Attacken mit Ransomware auf den ersten Blick einen einfachen Ausweg: die Zahlung des geforderten Lösegelds.‣ weiterlesen

Nach 84,5 Punkten im Oktober kletterte der Ifo-Geschäftsklimaindex im November auf 86,3 Punkte. Die Unternehmen blicken demnach weniger pessimistisch auf die nächsten Monate.‣ weiterlesen

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.‣ weiterlesen

Edge Management, Digital Twin und Data Spaces bilden die Schwerpunkte einer Zusammenarbeit zwischen der Open Industry 4.0 Alliance und dem Labs Network Industrie 4.0.‣ weiterlesen

Wer im öffentlichen Sektor der USA künftig Software vermarktet, muss eine Software Bill of Materials (SBOM) über die verwendeten Komponenten mitliefern. Ist diese Executive Order 14028 der US-Regierung auch für deutsche Firmen relevant? Die IT-Sicherheitschefin von MongoDB, Lena Smart, ordnet das ein - und verweist dabei auf das IT-Sicherheitsgesetz 2.0.‣ weiterlesen

Das Angebot an cloudbasierter Infrastruktur für SAP Hana wächst rasant. Zudem haben sich durch die weitere Option auf die Software-as-a-Service-Version S/4Hana Cloud die Rahmenbedingungen für den Umstieg auf S/4Hana signifikant verändert. Doch insbesondere deutsche Unternehmen zögern laut einer Untersuchung des Marktforschungsunternehmens ISG weiterhin, auf die Cloud umzusteigen.‣ weiterlesen