Startseite > Embedded > Entwicklungstools > Machine Learning für Embedded Systeme

SSV: Trainieren statt programmieren

Machine Learning für Embedded Systeme

13. Januar 2019, 16:41 Uhr | Heinz Arnold

Klaus-Dieter Walter, SSV: »Verglichen mit Deep Learning sehe ich Statistical Maschine Learning im Industrieumfeld für Embedded Systeme meist als das besser geeignete KI-Verfahren an, zumal dafür nicht die hohe Rechenleistung erforderlich ist, die Deep Learning benötigt.«

Mit dem Starterkit DNP/AISS1 zeigt SSV, wie sich Embedded Systeme per Machine Learning trainieren lassen, statt aufwändig zu programmieren.

▶ Diesen Artikel anhören

Viele Embedded Systeme nutzen eine Firmware für die Beziehung von Ein- und Ausgängen. Beispiel Sensorikanwendungen: Die Firmware verarbeitet die Sensorrohdaten und liefert digitale Ausgangssignale. Der Zusammenhang zwischen Ein- und Ausgang wird bisher in einer Hochsprache codiert. Doch die Firmware-Entwicklungen sind aufwändig. Ändern sich die Anforderungen, so muss zumeist noch einmal entwickelt werden.

Um diese Prozedur zu vereinfachen und die Systeme gleichzeitig flexibel auf neue Anforderungen auszulegen, geht html" href="https://www.elektroniknet.de/anbieterkompass/ssv-software-systems-gmbh-1017606.html">SSV einen neuen Weg: Zwischen Ein- und Ausgang wird ein Machine-Learning- Algorithmus (ML) geschaltet und trainiert. Dabei entsteht ein ML-Modell, das durch ein erneutes Training jederzeit änderbar ist.

Statistical Machine Learning für Predictive Maintenance

»Der Schwerpunkt für den Einsatz im Maschinenbau oder der Messtechnik liegt im Moment auf Statistical Machine Learning«, sagte Klaus-Dieter Walter, Business Development Manager und Mitglied der Geschäftsleitung von SSV, im Interview mit Markt&Technik. In diesem Sektor bildeten statistische Verfahren die Grundlage für das Lernen.

Es muss daher vor der Modellbildung in einem Pre-Processing geklärt werden, wie die Daten zusammenhängen und was korreliert. Dieses Verfahren ist auch unter dem Begriff »Feature Engineering« bekannt und wird häufig angewendet.

Deep Leaning-Verfahren auf Basis Neuronaler Netze erhalten dagegen die Rohdaten direkt ohne ein vorgeschaltetes Pre-Processing, um zu lernen. »Für die Bilderkennung ist Deep Learning hervorragend geeignet, weil sich die vielen Datensätze, die für den Lernprozess erforderlich sind, relativ einfach sammeln lassen«, so Klaus-Dieter Walter. Wenn es aber um Predictive Maintenance oder Predictive Efficiency (Optimierung des Energieverbrauchs) in der Industrie geht, etwa wenn Schwingungsdaten aufgenommen und analysiert werden müssen, stehen die großen Datenmengen nicht zur Verfügung oder müssen über Modell-basierte Simulationen erzeugt werden, was wiederum eine Wissenschaft für sich ist.

Außerdem wollen die Ingenieure im Umfeld von Predictive Maintenance genau wissen, aus welchen Parametern sich die Endergebnisse tatsächlich herleiten. »Deshalb sehe ich Statistical Machine Learning in diesen Fällen als eher zielführend an, zumal für diese Verfahren nicht die hohe Rechenleistung erforderlich ist, die Deep Learning benötigt und die in Embedded Systemen meist nicht zur Verfügung steht«, so Walter.

Open-Source-Bibliothek »scikit-learn«

Deshalb baut das Starterkit DNP/AISS1 von SSV auf der Open-Source-Bibliothek »scikit-learn« auf, die besonders für statistisches maschinelles Lernen geeignet ist, sich aber auch im Umfeld von Deep Learning einsetzen lässt.

SSV wird auf der embedded world (26. 2. bis 28 2. 2019 in Nürnberg) in diesem Jahr das DNP/AISS1-Starterkit mit Sensoren und vorinstallierten ML-Algorithmen auf dem Stand (Halle 3/439) demonstrieren. Die Besucher können sich dort anschauen, wie sich die Rohdaten beispielsweise mit Hilfe von Klassifizierungs- und Regressionsalgorithmen bearbeiten lassen, um so neue Informationen aus ihnen gewinnen zu können. Ein Docker-Container enthält alle nötigen Werkzeuge, um Modelle zu entwickeln.

Das DNP/AISS1 bietet neben zahlreichen mathematischen Funktionen auch verschiedene KI-Algorithmen für industrielle Applikationen. Damit lassen sich Anwendungen erstellen, in denen der gewünschte Zusammenhang zwischen den Ein- und Ausgangsdaten nicht mehr per Software codiert, sondern stattdessen mittels zuvor erzeugter Referenzdaten trainiert wird.

Um den Anwendern den Einstieg zu vereinfachen, bietet SSV ein regelmäßiges Webinar, in dem Machine-Learning-Beispiele mit Sensorrohdaten für Predictive-Maintenance-Anwendungen demonstriert werden.