Umwandeln von Big Data in Smart Data mit eingebetteter KI

Industrie 4.0-Anwendungen erzeugen eine riesige Menge komplexer Daten – Big Data. Durch die zunehmende Anzahl von Sensoren und allgemein verfügbaren Datenquellen wird die virtuelle Sicht auf Maschinen, Anlagen und Prozesse immer detaillierter. Dadurch erhöht sich natürlich das Wertschöpfungspotenzial entlang der gesamten Wertschöpfungskette. Gleichzeitig stellt sich jedoch immer wieder die Frage, wie genau dieser Wert extrahiert werden kann. Schließlich werden die Systeme und Architekturen zur Datenverarbeitung immer komplexer. Nur mit relevanten, qualitativ hochwertigen und verwertbaren Daten – Smart Data – lassen sich die damit verbundenen wirtschaftlichen Potenziale realisieren.

Herausforderungen

Alle möglichen Daten zu sammeln und in der Cloud zu speichern in der Hoffnung, dass sie später ausgewertet, analysiert und strukturiert werden, ist ein weit verbreiteter, aber nicht besonders effektiver Ansatz, um aus Daten Wert zu gewinnen. Das Potenzial, aus den Daten einen Mehrwert zu generieren, bleibt ungenutzt und eine spätere Lösungsfindung wird komplexer. Eine bessere Alternative besteht darin, frühzeitig Überlegungen anzustellen, welche Informationen für die Anwendung relevant sind und wo im Datenfluss die Informationen extrahiert werden können. Im übertragenen Sinne bedeutet das, die Daten zu veredeln, also aus Big Data Smart Data für die gesamte Verarbeitungskette zu machen. Auf Anwendungsebene kann entschieden werden, welche KI-Algorithmen für die einzelnen Verarbeitungsschritte eine hohe Erfolgswahrscheinlichkeit aufweisen. Diese Entscheidung hängt von Randbedingungen wie den verfügbaren Daten, dem Anwendungstyp, den verfügbaren Sensormodalitäten und Hintergrundinformationen über die physikalischen Prozesse auf niedrigerer Ebene ab.

(Bildquelle:Analog Devices, Inc.)

Für die einzelnen Verarbeitungsschritte ist der richtige Umgang und die Interpretation der Daten enorm wichtig, damit aus den Sensorsignalen ein echter Mehrwert generiert werden kann. Je nach Anwendung kann es schwierig sein, die diskreten Sensordaten richtig zu interpretieren und die gewünschten Informationen zu extrahieren. Zeitliches Verhalten spielt oft eine Rolle und wirkt sich direkt auf die gewünschten Informationen aus. Außerdem müssen häufig die Abhängigkeiten zwischen mehreren Sensoren berücksichtigt werden. Bei komplexen Aufgaben reichen einfache Schwellenwerte und manuell festgelegte Logiken oder Regeln nicht mehr aus.

KI-Algorithmen

Dagegen ermöglicht die Datenverarbeitung mittels KI-Algorithmen die automatisierte Analyse komplexer Sensordaten. Durch diese Analyse werden aus den Daten entlang der Datenverarbeitungskette automatisch die gewünschten Informationen und damit Mehrwerte gewonnen.

Für die Modellbildung, die immer Teil eines KI-Algorithmus ist, gibt es grundsätzlich zwei verschiedene Ansätze.

Ein Ansatz ist die Modellierung mittels Formeln und expliziter Beziehungen zwischen den Daten und den gewünschten Informationen. Diese Ansätze erfordern die Verfügbarkeit von physikalischen Hintergrundinformationen in Form einer mathematischen Beschreibung. Diese sogenannten modellbasierten Ansätze kombinieren die Sensordaten mit diesen Hintergrundinformationen, um ein genaueres Ergebnis für die gewünschten Informationen zu erhalten. Das bekannteste Beispiel ist hier der Kalman-Filter.

Liegen Daten, aber keine Hintergrundinformationen vor, die in Form von mathematischen Gleichungen beschrieben werden könnten, müssen sogenannte datengetriebene Ansätze gewählt werden. Diese Algorithmen extrahieren die gewünschten Informationen direkt aus den Daten. Sie umfassen das gesamte Spektrum maschineller Lernmethoden, einschließlich linearer Regression, neuronaler Netze, Random Forest und Hidden-Markov-Modelle.

Die Auswahl einer KI-Methode hängt oft von den vorhandenen Kenntnissen über die Anwendung ab. Wenn umfangreiches Fachwissen vorhanden ist, spielt KI eine eher unterstützende Rolle und die verwendeten Algorithmen sind recht rudimentär. Wenn kein Expertenwissen vorhanden ist, sind die verwendeten KI-Algorithmen deutlich komplexer. In vielen Fällen ist es die Anwendung, die die Hardware und damit die Einschränkungen für KI-Algorithmen definiert.

Embedded-, Edge- oder Cloud-Implementierung

Die gesamte Datenverarbeitungskette mit allen in jedem einzelnen Schritt benötigten Algorithmen muss so umgesetzt werden, dass ein möglichst hoher Mehrwert generiert werden kann. Die Implementierung erfolgt in der Regel auf der Gesamtebene – vom kleinen Sensor mit begrenzten Rechenressourcen über Gateways und Edge-Computer bis hin zu großen Cloud-Computern. Es ist klar, dass die Algorithmen nicht nur auf einer Ebene implementiert werden sollten. Vielmehr ist es typischerweise vorteilhafter, die Algorithmen möglichst nah am Sensor zu implementieren. Dadurch werden die Daten frühzeitig komprimiert und veredelt und Kommunikations- und Speicherkosten reduziert. Darüber hinaus ist durch die frühzeitige Extraktion der wesentlichen Informationen aus den Daten die Entwicklung globaler Algorithmen auf den höheren Ebenen weniger komplex. In den meisten Fällen sind auch Algorithmen aus dem Bereich Streaming Analytics sinnvoll, um unnötige Datenspeicherung und damit hohe Datenübertragungs- und Speicherkosten zu vermeiden. Diese Algorithmen verwenden jeden Datenpunkt nur einmal; das heißt, die vollständigen Informationen werden direkt extrahiert und die Daten müssen nicht gespeichert werden.

Die Verarbeitung von KI-Algorithmen am Edge (d. h. eingebettete KI) erfordert einen integrierten Mikrocontroller mit analoger und digitaler Peripherie für die Datenerfassung, -verarbeitung, -steuerung und -konnektivität. Der Prozessor muss auch in der Lage sein, Daten lokal in Echtzeit zu erfassen und zu verarbeiten, sowie über die Rechenressourcen für die Ausführung modernster intelligenter KI-Algorithmen verfügen. Der ADuCM4050 von Analog Devices beispielsweise basiert auf der ARM Cortex-M4F-Architektur und bietet einen integrierten und stromsparenden Ansatz für eingebettete KI.

Die Implementierung von Embedded AI geht weit über den Mikrocontroller hinaus. Um das Design zu beschleunigen, haben viele Siliziumhersteller Entwicklungs- und Evaluierungsplattformen wie den EV-COG-AD4050LZ entwickelt. Diese Plattformen vereinen Mikrocontroller mit Komponenten wie Sensoren und HF-Transceiver, um es Ingenieuren zu ermöglichen, eingebettete KI zu erforschen, ohne Experten in mehreren Technologien werden zu müssen. Diese Plattformen sind erweiterbar und ermöglichen es Entwicklern, mit verschiedenen Sensoren und anderen Komponenten zu arbeiten. Mit dem EV-GEAR-MEMS1Z-Shield können Ingenieure beispielsweise schnell verschiedene MEMS-Technologien wie die ADXL35x-Serie, einschließlich des ADXL355, evaluieren, die in diesem Shield verwendet werden und eine überlegene Schwingungsentzerrung, langfristige Wiederholbarkeit und geringes Rauschen in einer kleinen Form bieten Faktor.

Die Kombination von Plattformen und Abschirmungen wie dem EV-COG-AD4050LZ und EV-GEAR-MEMS1Z ermöglicht Ingenieuren den Einstieg in die Welt der strukturellen Zustands- und Maschinenzustandsüberwachung basierend auf Vibrations-, Geräusch- und Temperaturanalyse. Bei Bedarf lassen sich weitere Sensoren an die Plattform anbinden, sodass die eingesetzten KI-Methoden durch die sogenannte Multisensor-Datenfusion eine bessere Einschätzung der aktuellen Situation liefern. Auf diese Weise können verschiedene Betriebs- und Fehlerzustände mit besserer Granularität und höherer Wahrscheinlichkeit klassifiziert werden. Durch smarte Signalverarbeitung auf der Plattform wird Big Data lokal zu Smart Data, sodass nur noch die für den Anwendungsfall relevanten Daten an die Edge oder die Cloud gesendet werden müssen.

Der Plattformansatz vereinfacht auch die Kommunikation, da Abschirmungen für verschiedene drahtlose Kommunikationen verfügbar sind. So kombiniert beispielsweise das EV-COG-SMARTMESH1Z hohe Zuverlässigkeit und Robustheit sowie einen extrem geringen Stromverbrauch mit einem 6LoWPAN- und 802.15.4e-Kommunikationsprotokoll, das eine Vielzahl industrieller Anwendungen adressiert. Das SmartMesh IP-Netzwerk besteht aus einem hochgradig skalierbaren, selbstbildenden Multihop-Mesh von drahtlosen Knoten, die Daten sammeln und weiterleiten. Ein Netzwerkmanager überwacht und verwaltet die Netzwerkleistung und -sicherheit und tauscht Daten mit einer Hostanwendung aus.

Insbesondere bei drahtlosen batteriebetriebenen Condition Monitoring Systemen kann Embedded AI den vollen Mehrwert realisieren. Die lokale Umwandlung von Sensordaten in Smart Data durch die im ADuCM4050 eingebetteten KI-Algorithmen führt zu einem geringeren Datenfluss und folglich zu einem geringeren Stromverbrauch als dies bei der direkten Übertragung von Sensordaten an den Edge oder die Cloud der Fall ist.

Bewerbungen

KI-Algorithmus-Entwicklungsplattformen, einschließlich der dafür entwickelten KI-Algorithmen, haben ein sehr breites Anwendungsspektrum im Bereich der Überwachung von Maschinen, Anlagen, Strukturen und Prozessen, das von der einfachen Erkennung von Anomalien bis hin zur komplexen Fehlerdiagnose reicht. Die Verwendung von integrierten Beschleunigungsmessern, Mikrofon und Temperatursensor ermöglicht Funktionen wie die Überwachung von Vibrationen und Geräuschen von verschiedenen industriellen Maschinen und Systemen. Mit Embedded AI lassen sich Prozesszustände, Lager- oder Statorschäden, Ausfall der Steuerelektronik und sogar unbekannte Änderungen des Systemverhaltens durch Schäden an der Elektronik erkennen. Steht für bestimmte Schäden ein Vorhersagemodell zur Verfügung, können diese Schäden sogar lokal vorhergesagt werden. Dadurch können frühzeitig Instandhaltungsmaßnahmen eingeleitet und somit unnötige schadensbedingte Ausfälle vermieden werden. Wenn kein Vorhersagemodell existiert, kann die Plattform auch Fachexperten dabei helfen, das Verhalten einer Maschine sukzessive zu erlernen und im Laufe der Zeit ein umfassendes Modell der Maschine für die vorausschauende Wartung abzuleiten.

Idealerweise sollten eingebettete KI-Algorithmen durch entsprechende lokale Datenanalysen entscheiden können, welche Sensoren für die jeweilige Anwendung relevant sind und welcher Algorithmus der beste dafür ist. Dies bedeutet eine intelligente Skalierbarkeit der Plattform. Aktuell muss noch der Fachexperte den besten Algorithmus für die jeweilige Anwendung finden, auch wenn die KI-Algorithmen bereits mit minimalem Implementierungsaufwand für verschiedene Anwendungen des Machine Condition Monitoring skaliert werden können.

Embedded AI soll auch eine Entscheidung über die Qualität der Daten treffen und, wenn diese nicht ausreicht, die optimalen Einstellungen für die Sensoren und die gesamte Signalverarbeitung finden und vornehmen. Werden mehrere unterschiedliche Sensormodalitäten für die Sensorfusion verwendet, kann ein KI-Algorithmus die Nachteile bestimmter Sensoren und Verfahren kompensieren. Dadurch werden Datenqualität und Systemzuverlässigkeit erhöht. Wenn der KI-Algorithmus einen Sensor als minimal relevant für die Anwendung einstuft, kann sein Datenfluss entsprechend gedrosselt werden.

Die offene COG-Plattform von ADI enthält ein frei verfügbares Software Development Kit und zahlreiche Beispielprojekte für Hard- und Software, um die Prototypenerstellung zu beschleunigen, die Entwicklung zu erleichtern und originelle Ideen zu verwirklichen. Durch die Multisensor-Datenfusion (EV-GEAR-MEMS1Z) und eingebettete KI (EV-COG-AD4050LZ) kann ein robustes und zuverlässiges drahtloses vermaschtes Netzwerk (SMARTMESH1Z) aus intelligenten Sensoren geschaffen werden.