KI im Edge macht’s möglich

Intelligente Motorsteuerung für »Predictive Maintenance«

16. Oktober 2022, 14:34 Uhr | Suad Jusuf, Senior Manager, Renesas Electronics
Renesas Aufmacherbild MCU-2022
© Renesas Electronics/WEKA Fachmedien

Cloud-KI zusammen mit dem IoT hat die Mensch-Maschine-Interaktion, das Datenmanagement und die Analyse verbessert. KI-Modelle lokal am Edge oder Endpunkt erhöhen zusätzlich die Systemeffizienz und verbessert die Entscheidungsfindung. Das hat enorme Vorteile, Predictive Maintenance ist ein Beispiel.

Dass bei ressourcenbeschränkten Edge-Geräten das Training der maschinellen Lernmodelle in den meisten Fällen immer noch in der Cloud erfolgen muss, ändert nichts daran, dass KI im Edge von Vorteil ist. Denn nach dem Training können die trainierten Modelle zur Ausführung auf dem Edge-Gerät bereitgestellt werden. Das heißt einerseits, dass die Leistungsfähigkeit der Cloud beim Training genutzt werden kann, im Edge aber eine geringere Latenzzeit erreicht wird, was im Vergleich zu einem Cloud-Ansatz eine schnellere Ausführung ermöglicht.

KI verwandelt IoT-Geräte, die bislang zur Datenverarbeitung verwendet werden, in intelligentere Systeme, die KI-Funktionen ausführen und in Echtzeit Entscheidungen treffen können. Damit wird ein Ziel verfolgt: die auf maschinellem Lernen (ML) basierende intelligente Entscheidungsfindung physisch näher an die Quelle der Daten zu bringen. Das hat viele Vorteile, weshalb KI am Endpunkt/im Edge in vielen Märkten eingesetzt wird, einschließlich Industrie, Consumer, Gesundheitswesen, Transport, Fertigung, Retail etc.

Der eigentliche Nutzen

Mit der Kombination von KI und IoT, kurz AIoT (Artificial Intelligence of Things), kann mehr Intelligenz am Rande des Netzes eingesetzt werden, was letztlich eine größere Agilität ermöglicht. Denn die Endgeräte befinden sich am Rande des Netzes, also genau an der Quelle der Daten, so dass die dort eingesetzte KI schnellere und oft genauere Reaktionen ermöglicht und gleichzeitig auch die Kosten für eine unnötige Datenübertragung, aber auch die Latenzzeiten und die Sicherheitsrisiken reduziert.

Der erste Schritt besteht darin, das eigentliche Problem zu erkennen und sich auf die entsprechenden Informationen aus dem System zu verlassen, um das Problem zu analysieren und die entsprechenden Entscheidungen treffen zu können. Danach müssen die Informationen/Daten sortiert und gruppiert werden, um herauszufinden, wie bestimmte Merkmale extrahiert werden können, die für das Training der erforderlichen KI/ML-Modelle wichtig sind. KI-Modelle, die am Endpunkt laufen, können bessere Einblicke und Lösungsmöglichkeiten für komplexe, reale Probleme liefern. Hinzu kommt noch, dass Entwickler durch die Einbettung von KI in den Endpunkt die Vorteile leistungsfähiger ML-Modelle nutzen können, ohne ihr System komplett umbauen zu müssen.

Die Daten sind entscheidend

Die Daten und ihre Qualität sind absolut entscheidend, um mit der KI das beste Ergebnis zu erzielen. Es ist ein integrierter Ansatz notwendig, um aus den ständig wachsenden Datenmengen mithilfe verschiedener wissenschaftlicher Methoden, Algorithmen und Prozesse, wirkliche Erkenntnisse gewinnen zu können. Dieser Ansatz ist Software-getrieben, denn mit ihr lassen sich versteckte Muster in den unverarbeiteten Daten erkennen. Diese wertvollen Erkenntnisse wiederum helfen Unternehmen dabei, die richtigen Entscheidungen zu treffen, denn mit diesem Ansatz werden geschäftliche Probleme auf analytische Weise interpretiert, wodurch sie in praktikable Lösungen umgewandelt werden.

Mithilfe der Algorithmen des maschinellen Lernens verhilft Data Science zu besseren Einsichten. Sie führt die Bemühungen zur Effizienzerhöhung in die richtige Richtung und macht wichtige Vorhersagen. Unternehmen profitieren von Data Science, indem sie fortschrittliche Entscheidungen treffen und innovativere Produkte und Dienstleistungen entwickeln können.

Um diese Vorteile umzusetzen, müssen KI/ML-Modelle entwickelt werden. Werden Techniken wie TinyML verwendet, können solche Modelle auf Endpunkten ausgeführt werden, die hinsichtlich der verfügbaren Ressourcen beschränkt sind. Dieser Ansatz macht es leichter, ML-Modelle für eingebettete Hardware zu erstellen und stützt sich auf relevante KI-Tools für die Erfassung von ML-Daten, wobei Assistenten den Entwickler durch den Prozess des Trainings, Testens und Exportierens von Modellen führen.

Der Initiationsprozess

Für die Entwicklung einer KI-Anwendung für Endpunkte sind diverse »Skills« erforderlich. Dazu gehören Fähigkeiten im Bereich »Data Science«, »Hardware-Engineering«, »Embedded Programmierung«, »Software-Engineering«, »maschinelle Lerntechniken« sowie natürlich auch Fachwissen über die zu entwickelnde Anwendung.

Anbieter zum Thema

zu Matchmaker+
Die vier wichtigsten Schritte bei der Entwicklung einer KI-Anwendung
Die vier wichtigsten Schritte bei der Entwicklung einer KI-Anwendung
© Renesas Electronics

Die wichtigsten Schritte, lassen sich in vier Teile untergliederndie in der folgenden Abbildung aufgeführt sind.

Fallstudie: Predictive Maintenance

Predictive Maintenance (PdM) ist ein zeitbasierter, datengesteuerter Ansatz, der maschinelles Lernen und prädiktive Datenanalyse einsetzt, um eine Reihe von Anlagenzuständen zu überwachen, die auf einen möglichen System- oder Anlagenausfall hinweisen könnten. Predictive Maintenance (vorausschauende Wartung), die auf verschiedenen ML-Modellen basiert, ermöglicht es Entwicklern, eine automatische Datenverarbeitung für einen bestimmten Datensatz durchzuführen. Das trainierte Modell hilft bei der Erkennung potenzieller Anlagenausfälle, so dass die empfohlenen Maßnahmen in Echtzeit ausgeführt werden können - mit anderen Worten: Predictive Maintenance umfasst eine Reihe von Techniken der künstlichen Intelligenz und Algorithmen des maschinellen Lernens/TinyML. Diese Algorithmen werden im Allgemeinen mit Daten gefüttert, die bei der Überwachung bestimmter Maschinen gesammelt wurden, und dienen dazu, Modelle zu trainieren, um mögliche Anomalien vorhersagen zu können.

Ein wichtiger Anwendungsfall für die vorausschauende Wartung ist in Motorsteuerungen in der Gebäude-, Geräte- oder Industrieautomation zu finden. Der Einsatz von PdM bei einer Motorsteuerung kann helfen, Fehler im Zusammenhang mit Motorvibrationen zu erkennen und zu handhaben, da Elektromotoren eine für sie typische Vibrationsfrequenz oder -signatur aufweisen. Sobald eine Ausgangslinie festgelegt ist, kann die Mustererkennung identifizieren, ob eine Unwucht, ein Ausrichtungsfehler, eine Lockerung oder ein Lagerschaden im Motor und Probleme bei der Betriebssicherheit vorliegen. Damit lässt sich die Stabilität des Gesamtsystems aufrechterhalten, wobei gleichzeitig die Wartungs- und Servicekosten reduziert werden. Denn einige der Ausfälle in motorbetriebenen Anwendungen hängen mit Schwingungsanomalien und unsymmetrischen Lasten zusammen. Die Erkennung solcher Anomalien führt zur Vermeidung von Systemausfällen und Überhitzung, die schließlich zum Ausfall der Isolierung der Motorwicklungen, zu kostspieligen Reparaturen und erheblichen Ausfallzeiten beim Austausch führen können. All dies lässt sich mit KI-basierten PdM-Lösungen verhindern.

RA6T2
RA6T2-MCUs für Motorsteuerungen der nächsten Generation in Inverter-, Gebäudeautomatisierungs- und Industrieantriebsanwendungen
© Renesas Electronics

Für Motorsteuerung optimierte Hardware + KI

Die MCUs der RA6T1- Group von Renesas Electronics wurden für Motorsteuerungsanwendungen in den Bereichen Smart Home, Industrie- und Gebäudeautomatisierung entwickelt. Sie bieten eine Vielzahl von Peripheriefunktionen und eine KI-basierte Fehlererkennung, die die speziellen Anforderungen von Motorsteuerungsanwendungen erfüllen. Diese reichen von Haushaltsgeräten, HLK-Anlagen (Heinzung/Lüftung/Klima), Solarwechselrichtern bis hin zu Wechselstromantrieben.

Die auf dem Cortex-M33-Kern basierenden 32-Bit-MCUs (RA6T2) arbeiten mit einer Taktfrequenz von 240 MHz und verfügen über eine Vielzahl von Peripheriefunktionen, die für eine leistungsstarke, präzise Motorsteuerung optimiert sind. Damit werden die Stücklistenkosten erheblich reduziert und gleichzeitig die Leistung der Motorsteuerung erhöht. So kann die RA6T2 MCU beispielsweise in einem sensorlosen Modus mit einer feldorientierten Steuerung bis zu zwei bürstenlose DC-Motoren (BLDC) gleichzeitig steuern.

Darüber hinaus verfügt Renesas über eine dedizierte Toolchain für TinyML-Anwendungen, um das RA6T2CU-basierte System mit einer verbesserten Fehlererkennung zu erweitern und Kunden ein intelligentes, benutzerfreundliches und kostengünstiges sensorloses Motorsystem für die vorausschauende Wartung zu bieten. Diese TinyML-basierten KI-Modelle können dazu beitragen, potenziell schädliche Anomalien in Motorsystemen früher und besser zu erkennen. Damit können Entwickler ihre vorausschauenden Wartungsprozesse verbessern und Wartungskosten senken.

Renesas bietet darüber hinaus ein komplettes Entwicklungskit auf Basis des RA6T2 an, das alle wesentlichen Hardware-Komponenten und Software-Bausteine umfasst, um schnell eine Predictive-Maintenance-fähige Motorsteuerung erstellen zu können, einschließlich folgender Merkmale:

Die RA6T2-MCU verfügt über PWM-Timer und analoge Funktionen, die für die Motorsteuerung optimiert sind. Der RA6T2 kann bis zu zwei Motoren steuern.

Evaluieren und Debuggen von Motorsteuerungen mit Hilfe eines kompletten Motorsystems. Die Hardware-Kits (MCK-RA6T2) und die Evaluierungs-Tools »Renesas Motor Workbench« (RMW), zusammen mit den PdM-Ansätzen werden von Renesas als Referenzlösung für Evaluierungs- und Debugging-Zwecke angeboten, die eine Echtzeit-Analyse und Abstimmung des Gesamtsystems ermöglichen.

Fazit

Renesas hat effiziente AIoT-Lösungen für eine breite Palette von Anwendungen entwickelt, darunter Sprach-, Bildverarbeitungs- und Echtzeit-Analysen. Gemeinsam mit seinen Partnern bietet Renesas umfassende und hoch optimierte TinyML-Endpunkt-fähige Systeme an, die Hardware, Software und KI-Tools umfassen und es Ingenieuren ermöglichen, in kürzester Zeit KI-basierte Lösungen zu entwickeln.

KI spielt nicht nur in der Cloud eine Rolle, sondern überall. Lokale Intelligenz auf dem Gerät, reduzierte Latenz, Datenintegrität, schnelleres Handeln, Skalierbarkeit und vieles mehr sind das, worum es bei der KI am Endpunkt geht – und ganz klar: die Möglichkeiten in diesem KI-Bereich sind endlos. Also Zeit, diese Chancen zu nutzen und bessere AIoT-Systeme zu entwickeln, die reale Probleme lösen und neue Einnahmequellen schaffen.


Das könnte Sie auch interessieren

Verwandte Artikel

Renesas Electronics Europe GmbH