Startseite > Messen + Testen > Machine Learning in der Messtechnik

Keysight Technologies

Machine Learning in der Messtechnik

13. Juli 2020, 12:00 Uhr | Nicole Wörner

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 1

Interaktive Analysen mit schneller Reaktion

Das Analyse-Subsystem verfügt über zwei Betriebsmodi: Schnelles Clustering und Detail-Clustering. Das schnelle Clustering ermöglicht einen schnellen Überblick über die gesamte Datenbank. Die typische Rechenzeit beträgt weniger als eine Sekunde. Da das schnelle Clustering jedoch vorsortierte Tag-Informationen verwendet, ist ihre Genauigkeit durch die Ähnlichkeitsschwelle für das Tagging begrenzt. Das Detail-Clustering bietet präzisere Analysemöglichkeiten, da sie die Informationen der verlustfreien Datenbank verwendet. Bei herkömmlicher Analysesoftware musste die verlustfreie Datenbank in vielen Fällen neu gescannt werden, was viele Stunden in Anspruch nahm. Mit dieser Lösung kann der Benutzer interaktive Analysen mit schneller Reaktion genießen, ohne die verlustfreie Datenbank neu scannen zu müssen.

Nicht nur für die Messtechnik neu

Es sollte erwähnt werden, dass diese Technologie nicht nur für die Messtechnikbranche, sondern auch für die KI/Machine-Learning-Gemeinschaft neu ist. Keysight präsentierte auf der IEEE-Konferenz Big Data 2019 einen Vortrag über diese neue Lösung. Auf der Konferenz erklärten Forscher, sie hätten noch nie so etwas wie die Leistung und die Fähigkeiten dieser Lösung gesehen. Die Technologie ist als Option in den Dynamic Current Waveform Analyzer CX3300A von Keysight integriert. Er kombiniert Spannungs- und Strommessung mit hoher Zuverlässigkeit mit einer Langzeit-Signalformanalyse.

Jobangebote+ passend zum Thema

Ingenieur/Elektroingenieur/Elektrotechniker als Field Application Engineer

GEYER Electronic GmbH, Planegg

Alle Jobangebote im Elektroniknet Karrierebereich anzeigen

Beispiele aus der Praxis

Das folgende Beispiel zeigt die Spannung eines kommerziellen Stromnetzes, die über einen Zeitraum von vier Tagen mit einer Abtastrate von 1 MSample/s überwacht wurde. Verschiedene Signalform-Typen werden nach Clustern gruppiert und ihre Populationen im Clustering Panel angezeigt. Ein oder mehrere Cluster können ausgewählt werden, und mit den Pfeiltasten kann zu deren Vorkommen im Hauptwiedergabefenster gesprungen werden. Obwohl die Datenbank mehr als 18 Millionen Signalform-Segmente enthält, erlaubt das Daten-Tagging die Identifizierung von Anomalien in Sekundenschnelle. Zum Beispiel zeigt der Screenshot, dass nach 2 Tagen und 21 Stunden im Datenprotokoll eine erhebliche Überspannung auftrat.

Dieser Fall ist zwar interessant, aber recht einfach; es gibt auch ein anspruchsvolleres Beispiel.

IoT-Geräte müssen lange Betriebsstunden leisten, und unerwartete Stromspitzen könnten einen internen IR-Abfall verursachen und eine Systemfehlfunktion auslösen. Um die Geräteintegrität zu überprüfen, haben wir den Versorgungsstrom eines Bluetooth-Geräts 17 Stunden lang mit einer Abtastrate von 10 MSample/s gemessen. Dabei wurde eine Datenbank mit einem Terabyte erzeugt. Obwohl der normale Spitzenstrom etwa 25 mA beträgt, fanden wir sehr selten Stromspitzen von bis zu 50 mA. Diese traten nur 17 Mal von den über 7 Millionen aufgezeichneten Signalform-Segmenten auf. Weitere Analysen zeigten, dass es in diesem Gerät zwei Arten von asynchronen Ereignissen gibt. Die 50-mA-Spitzen werden beobachtet, wenn diese beiden Ereignisse innerhalb eines engen Zeitfensters auftreten, und dies geschieht nur einmal pro 400.000 Mal.

Diese Art der detaillierten Analyse kann nur mit den dynamischen Strommessfunktionen des CX3300A von Keysight in Verbindung mit der Datenlogger-Option/Langzeit-Signalform-Analyse-Option erreicht werden.

Resümee

Um mit der steigenden Komplexität moderner Geräte und Systeme Schritt zu halten, müssen die Software Tools für die Evaluierung verbessert werden. In Fällen, in denen Geräte in einsatzkritischen Systemen eingesetzt werden, ist es wichtig, das Verhalten von Signalformen über lange Zeiträume zu verstehen. Die Software, die zur Erfassung der Daten verwendet wird, muss auch in der Lage sein, bei der Analyse der Daten zu helfen. Eine neue, von Keysight entwickelte Technik des maschinellen Lernens macht dies möglich. Große Signalform-Datenbanken können effizient analysiert und Anomalien in diesen Datenbanken schnell lokalisiert werden.