Startseite > Embedded > Offene Plattform bringt Maschine Learning in die Edge

Analog Devices, Arrow und Knowtion

Offene Plattform bringt Maschine Learning in die Edge

23. April 2019, 9:07 Uhr | Heinz Arnold

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 1

KI in Edge-Geräte bringen...

Damit erhalten die Anwender eine voll einsatzfähige CBM-Box, die sie direkt an einen Motor oder ein Getriebe schrauben können, um für ca. 200 Euro pro Box in die Welt der Predictive Maintenance einzusteigen. Sendet die Box einmal bis zweimal am Tag ihre Daten an das Gateway, dann halten die Batterien bis zu acht Jahre. Denn nur falls ein Fehler auftritt, den die Box nicht selber zuordnen kann, werden die Daten zur weiteren Analyse in die Cloud geschickt. Das spart Energie.

Die Verbindung zum Gateway geschieht über das SmartMesh IP von Analog Devices auf Basis von 6LoWPAN. Das SmartMesh erreicht laut Dzianis Lukashevich eine Verlässlichkeit der Datenübertragung von 99,999 Prozent bei besonders geringer Leistungsaufnahme in rauen Industrieumgebungen. Es wurde ursprünglich von Dust Networks entwickelt, die Linear Technology im Jahre 2011 übernommen hatte.

In dieser Form arbeitet die Box auf Basis statistischer Verfahren. Intern läuft ein Expertensystem, das auf dem Fachwissen basiert.

Lernfähig mit neuronalem Netz

Es gibt aber auch eine zweite Version, die auf Basis eines neuronalen Netzes in der Lage ist, vor Ort zu lernen. Die Software dazu hat die Karlsruher Firma Knowtion entwickelt. »Damit steht den Anwendern eine Development-Plattform zur Verfügung, die es ihnen ermöglicht, KI in Edge-Geräte wie Motoren zu bringen«, sagt Vesa Klumpp, Geschäftsführer von Knowtion.

Das Unternehmen verwendet dafür ein relativ einfaches neuronales Netz mit einer Schicht, das aber in der Lage ist, sehr schnell aus den Daten, die ihm die Umgebung zur Verfügung stellt, zu lernen und Schlüsse zu ziehen. »Wenn nicht genau bekannt ist, wie die Zusammenhänge in einer komplexen Maschine im Einzelnen funktionieren, und eine ausreichende Datenbasis für den Lernprozess vorhanden ist, dann ist es vorteilhaft, die Version auf Basis der neuronalen Netze heranzuziehen«, erklärt Vesa Klumpp. Ein typischer Einsatzfall für Predictive Maintenance wäre, aus den Sensordaten abzuleiten, wann mit einem Ausfall zu rechnen sein wird.

Wenn aber nur wenige Daten zum Anlernen zur Verfügung stehen und wenn die Ingenieure sich vor Ort sehr gut mit den Systemen auskennen, dann sei es oft vorteilhafter, auf die Expertensystem-Version zu setzen. »Dabei hilft die iCOMOX Ingenieuren enorm, das Verhalten von Maschinen sukzessive zu lernen und im Laufe der Zeit ein umfangreiches Modell der Maschine für Predictive Maintenance herzuleiten«, so Dzianis Lukashevich.