TOP
SSV Software Systems Registrieren  Registrieren
Einloggen, um private Nachrichten zu lesen  Einloggen, um private Nachrichten zu lesen
Startseite FAQ Suchen Mitglieder Profil  Login 
SSV Support-Forum
KI-basierter Sensor mit DNP/9535 ...

 
Neues Thema eröffnen   Neue Antwort erstellen    SSV-Forum Foren-Übersicht >>> DNP/9535
<<< Vorheriges Thema - Nächstes Thema >>>  
Beiträge der letzten Zeit anzeigen:   
Autor Nachricht
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1206

BeitragVerfasst am: 28.08.2018, 15:10    Titel: KI-basierter Sensor mit DNP/9535 ... Antworten mit Zitat

Hallo Forum.

Auf der SPS IPC Drives 2018 stellen wir den AISS (Artificial Intelligence Smart Sensor) vor, das erste intelligente Sensorkonzept mit einem voll ausgestatteten Embedded-Machine-Learning-Technologie-Stack für industrielle Anwendungen. Als erstes verfügbares Produkt wird gerade der DNP/AISS1 entwickelt, ein Evaluierungsboard mit DNP/9535, drei Bosch-Sensorelementen und einer Ethernet-basierten Kommunikationsschnittstelle für Modbus-, Profinet-, MQTT-, REST- und OPC UA-Verbindungen zu anderen Systemen.



Zusammen mit dem DNP/AISS1 erhält der Kunde einen Webinar-Zugangscode für ein AISS-Starterlabor mit folgenden Themen:

1. Verfolgen und verstehen Sie einen vollständigen End-to-End-Machine-Learning-Prozess mit einer AISS-Device, einschließlich Sensordatenerfassung, Datenaufbereitung, Modellierung und Modellbewertung.

2. Entwickeln Sie ein grundlegendes Verständnis der Prinzipien des maschinellen Lernens und der damit verbundenen Terminologie.

3. Verstehen Sie den grundlegenden Prozess zur Bewertung von maschinellen Lernmodellen.

4. Verbinden Sie den Ausgang eines AISS-Machine-Learning-Algorithmus über Ethernet mit einem SPS-System oder einer Cloud.

VG KDW
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1206

BeitragVerfasst am: 30.08.2018, 06:50    Titel: Wofür kann man das gebrauchen? Antworten mit Zitat

Hallo Forum.

Diesmal ist die Antwort wirklich ganz einfach: Sie können damit jede an sich „dumme“ SPS nachträglich mit künstlicher Intelligenz aufrüsten.

Stellen Sie sich einfach mal folgenden Anwendungsfall vor: Sie steuern mit einer SPS einen 3-Achs-Roboter mit Greifarm, um Bauteile von Position A nach Position B zu transportieren. Ihre SPS ist in der Regel nicht in der Lage eine mechanisch bedingte Anomalie an dem Robotergreifarm rechtzeitig zu erkennen und würde solange weitermachen, bis aus der Anomalie ein Schaden entsteht und es „knackt“. Da hilft es auch nicht, dass man die erforderlichen Sensorelemente (3D-Beschleunigungssensor, 3D-Bewegungssensor, 3D-Gyrosensor usw.) relativ einfach am Roboterarm nachrüsten könnte. Schaltet man einen AISS zwischen diese Sensoren und SPS, sieht die Situation völlig anders aus: Der AISS verknüpft die 3D-Sensordaten zyklisch und klassifiziert per vortrainiertem Machine Learning-Algorithmus den Zustand des Roboters. Dabei entsteht jeweils ein diskreter Ausgangswert, der per Profinet an die SPS weitergegeben wird. An Hand dieses Wertes (der jeweils mit Hilfe intelligenter Algorithmen entsteht) kann die SPS nun eine Anomalie erkennen und eine Störung anzeigen.

Fazit: Durch die künstliche Intelligenz, wie sie zum Beispiel in Form des maschinellen Lernens zur Verfügung steht, lässt sich jede Steuerungsanwendung mit intelligenzbasierten Funktionalitäten aufrüsten (KI- oder ML-Retrofit per DNP/AISS1). Dadurch wird eine SPS anpassungsfähiger und kann in Grenzbereichen auf Situationen reagieren (z. B. Auftreten einer Anomalie), die bei der Entwicklung der Steuerung nicht vorgesehen bzw. vorprogrammiert wurden. Damit lassen sich Servicearbeiten zielgenauer planen und die Verfügbarkeit einer Maschine oder Anlage verbessern.

VG KDW
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1206

BeitragVerfasst am: 12.09.2018, 13:15    Titel: Sensoren des DNP/AISS1 … Antworten mit Zitat

Hallo Forum.

Auf dem DNP/AISS1 befinden sich drei Bosch-Sensoren, die eine Reihe unterschiedlicher Werte liefern. Die Sensoren im Einzelnen sind:

1x BMM150 Geomagnetic Sensor. Weitere Details siehe: https://www.bosch-sensortec.com/bst/products/all_products/bmm150

1x BMI160 6-Axis Inertial Measurement Unit. Weitere Details siehe: https://www.bosch-sensortec.com/bst/products/all_products/bmi160

1x BME280 Integrated Environment Unit. Weitere Details siehe:https://www.bosch-sensortec.com/bst/products/all_products/bme280

VG KDW
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1206

BeitragVerfasst am: 20.09.2018, 10:52    Titel: AISS-Familie ... Antworten mit Zitat

Hallo Forum.

AISS (Artificial Intelligence Smart Sensor) ist eine neue SSV-Produktfamilie mit intelligenten Sensorbaugruppen, die mit Hilfe eines Baukastenkonzepts aufgabenspezifisch entwickelt werden. Insgesamt besteht der Baukasten aus Sensing Toolbox (Sensorelemente), Data Science Toolbox (intelligente Algorithmen zur Datenanalyse), C/S Toolbox (Komponenten für Kommunikation und Security) und P/PM/C Toolbox (Bausteine zur Spannungsversorgung, Power Management und das finale Produktgehäuse).



Die für eine Produktentwicklung jeweils benutzen Sensorelemente stammen aus einer Sensing Toolbox. Sie werden mit den jeweils passenden Data Science-Algorithmen kombiniert, um aus den Sensoren die zu einer bestimmten Frage- bzw. Aufgabenstellung passenden Informationen zu gewinnen.

VG KDW
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1206

BeitragVerfasst am: 21.09.2018, 06:41    Titel: Wie einsteht ein AISS-Sensor? Antworten mit Zitat

Hallo Forum.

Eine AISS-Baugruppe wird immer aufgabenspezifisch entwickelt und danach als Serienprodukt ab „Stückzahl=1“ produziert. Jedes einzelne AISS-Entwicklungsvorhaben lässt sich zunächst einmal grob in drei Teilbereiche untergliedern:

1. Klären der Fragestellung (Questioning): Welche Fragen sollen mit den Daten und Informationen am Sensorausgang beantwortet werden?

2. Modell erstellen (Modeling): Auswahl einer geeigneten Sensorkombinationen und eines geeigneten Data Cleaning and Preparing-Prozesses, des Machine Learning-Algorithmus bzw. neuronalen Netzes (KI-Algorithmen) sowie der Kommunikations- und Sicherheitsbausteine. Entwicklung eines Machine Learning-Modells, Training des neuronalen Netzes usw.

3. Validierung (Validation): Liefern die Sensoren intern die gewünschten Daten an den Machine Learning-Algorithmus bzw. das neuronale Netz? Lassen sich mit den Ausgangsdaten der AISS-Baugruppe die jeweiligen Fragen beantworten? Welche Fehlerquote hat der zum Einsatz kommende Algorithmus?

Der zweite und dritte Teilbereich wird im Rahmen eines AISS-Entwicklungsvorhabens in der Regel mehrfach iterativ durchlaufen, bis ein zufriedenstellendes Ergebnis vorliegt. Für die ersten Runden wird in der Regel eine prototypische Lösung aus Sensorelementen und KI-Algorithmen genutzt. Dabei kann sich auch herausstellen, dass die Rohdaten aus den Sensorelementen nicht ausreichen, um eine bestimmte Frage zu beantworten und das darüber hinaus Daten aus externen Quellen, zum Beispiel der jeweilige Wetterbericht, benötigt werden.

Nachdem die ersten drei Schritte (Questioning, Modeling, Validation) erfolgreich durchlaufen wurden, existiert in der Regel ein funktionsfähiger Prototyp. Aus den einzelnen Bausteinen dieses Prototyps wird nun eine vierstufige Verarbeitungskette für das Serienprodukt abgeleitet, die immer wieder zyklisch durchlaufen wird und dafür sorgt, dass am AISS-Ausgang in Echtzeit die gewünschte Information zu den jeweils vorliegenden Sensoreingangsdaten geliefert wird.



1. Stufe Sensorrohdatenerfassung: Die Sensorrohdaten werden aus den Sensorelementen ausgelesen und als Liste bzw. n-dimensionaler Vektor intern gespeichert. Bei Bedarf wird dieser Vektor um zusätzliche Daten aus externen Quellen ergänzt.

2. Stufe Datenvorverarbeitung: Der n-dimensionale Vektor wird für die Datenanalyse aufbereitet (Embedded Feature Engineering bzw. integrierter Clean and Transform-Prozess [wird vielfach auch als Data Cleaning and Preparing-Prozess bezeichnet]).

3. Stufe Datenanalyse: Hier kommt ein Machine Learning- oder Deep Learning-Algorithmus (KI-Algorithmus) zur Anwendung. Für den Einsatz eines Supervised Machine Learning-Algorithmus wird ein Modell benötigt, bevor in einer AISS-Baugruppe die automatische Datenanalyse periodisch durchgeführt werden kann.

4. Stufe Ergebnisweitergabe: Das Ausgangsdatum des KI-Algorithmus (z. B. ein diskreter Zahlenwert als Ergebnis einer Klassifizierung) wird jeweils über eine Kommunikationsschnittstelle (Sensorausgang, z. B. Ethernet-LAN oder Wireless an eine Steuerung) weitergegeben.

VG KDW
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1206

BeitragVerfasst am: 05.10.2018, 16:16    Titel: Prototyping ... Antworten mit Zitat

Hallo Forum.

Der DNP/AISS1 ist das erste Produkt aus der AISS-Familie (AISS = Artificial Intelligence Smart Sensor). AI, oder auch KI = künstliche Intelligenz, ist bekanntermaßen ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen befasst. Die DNP/AISS1-Baugruppe dient in erster Linie zur Evaluierung der einzelnen AISS-Funktionsbausteine sowie deren Zusammenspiel, also primär dem Erfassen von Sensorrohdaten und dem maschinellen Lernen mit diesen Daten als Eingangsgrößen. Hier eine Zusammenfassung der wichtigsten AISS-Funktionen:

Sensorelemente: Hier sind die Bausteine zur Gewinnung der Rohdaten zu finden, die mit Hilfe von KI-Algorithmen die jeweils gewünschten Informationen zu gewinnen. Die Sensorik eines AISS-Produktes stammt aus der sogenannten Sensing Toolbox. In diesem Baukasten sind unterschiedliche Sensoren nach Messgröße, Schnittstelle u.a. Merkmalen sortiert abgelegt.

Embedded System mit AISS-Technology Stack: Hauptbestandteil dieses Stacks sind Python-Data-Science-Funktionen. Hier eine Übersicht:

- Python 3 Laufzeitumgebung
- NumPy-Bibliothek für numerische Berechnungen
- Pandas-Bibliothek zum Auswerten und Bearbeiten tabellarischer Daten
- SciPy-Bibliothek für wissenschaftliches Rechnen (z. B. FFT)
- Matplotlib-Bibliothek für mathematische Darstellungen aller Art
- Seaborn-Bibliothek für statistische Grafiken
- Sklearn-Bibliothek für maschinelles Lernen
- Jupyter Notebook Kernel, ermöglicht Browserzugriff über einstellbaren TCP-Port

Darüber hinaus beinhaltet der Technology Stack zahlreiche Interface-Funktionen, Kalibrierungs- und Korrekturfunktionen sowie Machine Learning-Modell-Beispiele für verschiedene Sensoren aus der Sensing Toolbox. Der Technology Stack selbst gehört zur AISS-Data Science Toolbox.



KI-Software: Dieser Funktionsbaustein einer AISS-Baugruppe wird durch die jeweils an Aufgabe und Sensorkombination angepasste Algorithmenauswahl plus das jeweilige Klassifizierungs- oder Regressionsmodell bzw. ein trainiertes neuronales Netz gebildet. Die KI-Software entsteht in der Regel im Rahmen des Prototyping. Dafür wird zum Beispiel iterativ eine Machine Learning Pipeline mit den Teilschritten Datenerfassung, Datenaufbereitung, Modellentwicklung und Modellevaluierung durchlaufen. Das Ergebnis ist eine Softwarekomponente, die zyklisch im AISS ausgeführt wird, um an Hand von Echtzeit-Eingabedaten eine Klassifizierung oder Regression durchzuführen und einen entsprechenden Ausgabewert zu erzeugen.

Connectivity: Hier sind zunächst einmal zahlreiche Protokolle und Security-Bausteine zu finden, um den Output der zyklisch ablaufenden KI-Softwarekomponente an andere Systeme weiterzugeben. Des Weiteren gehören auch VPN-Fernzugriffsfunktionen und eine Datenfluss-Laufzeitumgebung mit Verbindungseditor (Node-RED) zur AISS-Connectivity. Alle AISS-Funktionen zu Connectivity und Security sind in einer sogenannten C/S Toolbox zusammengefasst.

Darüber hinaus besitzt der DNP/AISS1 eine Web-basierte Konfigurationsschnittstelle für alle wichtigen Systemeinstellungen sowie jeweils eine Webbrowser-Schnittstelle für Note-RED und Jupyter Notebook.

[To Do] Hier werde ich nun als nächstes beschreiben, wie die einzelnen Entwicklungsschritte bis zum AISS-Prototypen für einen vollständig anwendungsspezifischen Sensor in der Praxis aussehen. Dafür gehe ich von zwei Annahmen aus:

1. Die Zielgruppe für den anwendungsspezifischen Sensor: Beispielsweise ein Betreiber von Fertigungsanlagen an verschiedenen Standorten. Z. B. ein Hersteller von elektromechanischen Komponenten, die weltweit in drei bis vier Werken mit einem unterschiedlichen Maschinenbestand gefertigt werden.

2. Die Anwendung (Use Case) für die AISS-basierte Sensorlösung: Der Betreiber benötigt tagesaktuelle Maschinendaten zur Ermittlung eines OEE (Overall Equipment Effectiveness), um beispielsweise die Standorte miteinander vergleichen zu können. Gleichzeitig sollen vor Ort, also in direkter Nähe der Maschinen, bestimmte Zustände in Echtzeit automatisch erkannt werden (z. B. Leerlauf, Störung usw.). Beim Auftreten solcher Zustände müssen Benachrichtigungen verschickt und/oder optische Signale (beispielsweise mit Hilfe einer Signalleuchte direkt an der betreffenden Maschine) für das Wartungspersonal erzeugt werden. Da in den Fertigungsanlagen keinerlei geeignete Sensorik vorhanden ist und auch die unterschiedlichen Steuerungen keine entsprechenden Schnittstellen zum Datenauslesen bieten, betrachte ich das skizzierte Vorhaben als „Sensordaten-Retrofit-Projekt“. Im Rahmen eines solchen Projekts werden die erforderlichen Sensoren zunächst einmal ausgewählt und nachgerüstet.



VG KDW
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
Beiträge der letzten Zeit anzeigen:   
Neues Thema eröffnen   Neue Antwort erstellen    SSV-Forum Foren-Übersicht >>> DNP/9535 Alle Zeiten sind GMT + 1 Stunde
Seite 1 von 1

 
Gehe zu:  
Sie können keine Beiträge in dieses Forum schreiben.
Sie können auf Beiträge in diesem Forum nicht antworten.
Sie können Ihre Beiträge in diesem Forum nicht bearbeiten.
Sie können Ihre Beiträge in diesem Forum nicht löschen.
Sie können an Umfragen in diesem Forum nicht teilnehmen.

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

© 2018 SSV Software Systems GmbH. Alle Rechte vorbehalten.

ISO 9001:2015