TOP
SSV Software Systems Register  Register
Log in to check your private messages  Log in to check your private messages
Startseite FAQ Search Mitglieder Profile  Log in 
SSV Support-Forum
Data-Science-Funktionen …

 
Post new topic   Reply to topic    SSV-Forum Forum Index >>> IGW/936(-L)
<<< Previous topic - Next topic >>>  
Display posts from previous:   
Author Message
kdw



Joined: 05 May 2006
Posts: 1460

PostPosted: 09.05.2018, 15:29    Post subject: Data-Science-Funktionen … Reply with quote

Hallo Forum.

Als nächstes werden wir für das IGW/936 optionale Data-Science-Funktionen anbieten. Damit ist es dann zum Beispiel möglich, ein per Supervised Machine Learning erstelltes Modell auf dem IGW/936 zu nutzen, um per Echtzeit-Streaming-Analyse die Daten externer Sensoren zu klassifizieren, um bestimmte Ereignisse zu erkennen.



Mehr dazu an dieser Stelle, nachdem ich in der kommenden Woche am 17.5.2018 meinen Vortrag „KI mit Embedded Systemen – Wie geht das?“ auf dem Forum Künstliche Intelligenz 2018 in Stuttgart gehalten habe.

Bis dahin!

VG KDW

P.S.: Die technischen Voraussetzungen an vorhandenen Maschinen und Anlagen lassen sich zum Beispiel auch durch ein Retrofit schaffen. Siehe hierzu auch „I 4.0-Daten-Retrofit für Maschinen und Anlagen“ unter:

https://ssv-comm.de/forum/dokumente/KDW-Retrofit-092017.pdf
Back to top
View user's profile Send private message
kdw



Joined: 05 May 2006
Posts: 1460

PostPosted: 22.05.2018, 15:57    Post subject: White Paper … Reply with quote

Hallo Forum.

Die IGW/936-Data-Science-Funktionen werden u.a. auch dabei helfen, an einer Maschine bzw. in einer Anlage Sensorrohdaten zu erfassen und in ein für Datenanalysen geeignetes Format zu bringen. Dazu entsteht gerade ein neues White Paper. Siehe:

https://ssv-embedded.de/doks/infos/KI-WP-Entwurf_220518.pdf

VG KDW
Back to top
View user's profile Send private message
kdw



Joined: 05 May 2006
Posts: 1460

PostPosted: 28.05.2018, 10:55    Post subject: Werkzeugkasten ... Reply with quote

Hallo Forum.

Der Werkzeugkasten, den wir für die Data-Science-Funktionen nutzen, ist Scientific Python. Dazu gehören eine Python 3.x-Programmier- und Laufzeitumgebung plus verschiedene ausgesuchte Spezialbibliotheken (z. B. NumPy, Pandas, Scikit-Learn, Matplotlib und naürlich auch TensorFlow).



Als Entwicklungsumgebung dient Anaconda, eine leistungsfähige und weit verbreitete Open Source Distribution für die Programmiersprachen Python und R. Die integrative Oberfläche Anaconda Navigator enthält u. a. die Python-IDE Spyder, den Kommandozeileninterpreter IPython und das webbasierte Frontend Jupyter. Anaconda läuft auf PCs mit unterschiedlichen Betriebssystemen.

Die eigentliche Rohdatenanalyse und die Informationsgewinnung erfolgt z. B. innerhalb von Spyder. Dabei werden die jeweils benötigten Daten zunächst von Form einer CSV-Datei eingelesen und in NumPy-Arrays oder Pandas-Dataframes gespeichert. Dann werden verschiedene Algorithmen und Methoden eingesetzt, um die gewünschten Informationen zu gewinnen.



Spyder ist eine IDE (Integrated Development Environment), in der sich interaktiv Python-Quellcodes entwickeln und testen lassen. Besonders wichtig dabei ist, dass einzelne Python-Codezeilen im Single-Step-Modus oder als Code-Block ausgeführt werden können und nach jeder einzelnen Codezeile z. B. die Veränderung der Daten darstellbar ist. Mit Matplotlib erstellte Grafiken werden direkt innerhalb von Spyder ausgegeben. Darüber hinaus besteht aus Spyder heraus der direkte Zugriff auf umfangreiche Online-Hilfen zu Python und den Spezialbibliotheken.



Jupyter ist eine Weboberfläche, die mit einem Kernel als Webserver kommuniziert. Unter Jupyter werden sogenannte Notebooks bearbeitet, in denen Codezeilen, Bilder und Textdokumentation in Zellen zusammengefügt werden. Python-Code-Zellen lassen sich direkt ausführen, die Ergebnisse werden innerhalb des Browserfensters angezeigt und in das Notebook übernommen. Jupyter-Notebooks werden als einzelne Datei gespeichert. Sie lassen sich sehr einfach weitergeben und in einer anderen Zielumgebung nutzen. Insofern dient Jupyter im Sensor-2-Information-Prozess auch zu Ergebnispräsentation.



Zu Jupyter gehört in Anaconda auch eine QT Console (Jupyter QtConsole). Dieses Werkzeug ist aus meiner Sicht der effizienteste Weg, um Codefragmente auszutesten. Für mich ich ist es immer besonders hilfreich, wenn ich die „Daten sehen kann“. Das geht mit der Jupyter QtConsole sehr einfach. Man muss nur wenige Zeilen tippen. Im einfachsten Fall z. B. drei Zeilen:

Code:
%matplotlib inline
import matplotlib.pyplot as plt
plt.plot ([1, 5, 7, 10, 2, 9, 0])




Es lassen sich aber auch per Cut&Paste komplette Codefragmente aus anderen Werkzeugen in die Console kopieren und testen.

VG KDW


Last edited by kdw on 02.07.2018, 16:36; edited 1 time in total
Back to top
View user's profile Send private message
kdw



Joined: 05 May 2006
Posts: 1460

PostPosted: 20.06.2018, 14:07    Post subject: Muster im Datenwirrwarr aufspüren ... Reply with quote

Hallo Forum.

Die Auswertung von Daten birgt für alle Branchen großen Nutzen. Je nachdem in welchem konkreten Gebiet Datenanalyse zum Einsatz kommen soll, eignen sich dafür unterschiedliche Methoden und Verfahren. Welche es gibt und wie sich Data Analytics umsetzen lässt, erfahren Sie in meinem Fachbeitrag:

https://www.industr.com/de/muster-im-datenwirrwarr-aufspueren-2333412

Der Fachbeitrag zeigt auch auf, in welche Richtung wir gehen werden. Die bereits angesprochene Python 3.x-Programmier- und Laufzeitumgebung plus verschiedene ausgesuchte Spezialbibliotheken (z. B. NumPy, Pandas, Scikit-Learn, Matplotlib und narürlich auch TensorFlow) soll auch auf dem IGW/936 ablaufen.



Allerdings gehen wir davon aus, dass z. B. die Modellerzeugung und Modellnutzung eines Supervised-Machine-Learning-Algorithmus bzw. neuronalen Netzes aufgeteilt wird. Das Training und somit die Modellerzeugung findet auf einer Hochleistungs-Hardware in einer IT-Umgebung statt. Genutzt wird das Modell auf einem IGW/936, um in Echtzeit aus den Eingangsdaten einen bestimmten Zustand zu erkennen (Klassifizierung) bzw. ein bevorstehendes Ereignis vorherzusagen (Regression).

VG KDW
Back to top
View user's profile Send private message
kdw



Joined: 05 May 2006
Posts: 1460

PostPosted: 16.01.2019, 12:24    Post subject: Machine Learning Starterkit ... Reply with quote

... siehe auch: https://ssv-comm.de/forum/viewtopic.php?t=1450

VG KDW
Back to top
View user's profile Send private message
Display posts from previous:   
Post new topic   Reply to topic    SSV-Forum Forum Index >>> IGW/936(-L) All times are GMT + 1 Hour
Page 1 of 1

 
Jump to:  
You cannot post new topics in this forum
You cannot reply to topics in this forum
You cannot edit your posts in this forum
You cannot delete your posts in this forum
You cannot vote in polls in this forum

SSV Software Systems GmbH

Dünenweg 5
30419 Hannover

Fon: +49(0)511  ·  40 000-0
Fax: +49(0)511  ·  40 000-40

sales@ssv-embedded.de


Impressum    ·    Datenschutz    ·    AGB

© 2023 SSV SOFTWARE SYSTEMS GmbH. Alle Rechte vorbehalten.

ISO 9001:2015