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
embedded world 2020 ...

 
Post new topic   Reply to topic    SSV-Forum Forum Index >>> RMG/941
<<< Previous topic - Next topic >>>  
Display posts from previous:   
Author Message
kdw



Joined: 05 May 2006
Posts: 1460

PostPosted: 15.02.2020, 22:35    Post subject: embedded world 2020 ... Reply with quote

Hallo Forum.

Auf der Fachmesse embedded world 2020 vom 25. - 27.2. in Nürnberg zeigen wir in Halle 3, Stand 439 einige Beispiele mit dem RMG/941. Unser Schwerpunktthema auf der Messe ist der IoT Retrofit. Dabei geht es darum, bestehende Produkte (z. B. Geräte, Maschinen, Anlagen) nachträglich mit IoT-Technik (Sensoren, Gateways, IoT-Plattformanbindungen) auszurüsten, um beispielsweise durch intelligente Dienste sowohl für den Produkthersteller als auch den Nutzer völlig neue Möglichkeiten und Werte zu schaffen. Ein wichtiger Aspekt dabei ist die Informationsgewinnung aus Sensordaten. Für diese Aufgabe haben wir einen speziellen Engineering-Prozess entwickelt, den wir auf der Messe unseren Besuchern vorstellen wollen. Ein wichtiger Baustein dieses Prozesses ist das maschinelle Lernen.



Um das Zusammenspiel der einzelnen Engineering-Prozessschritte zu erläutern, werden wir auf der Messe ein Exponat nutzen, dass aus einem DNP/AISS1, einem RMG/941 und einem PC besteht. Alle drei Subsysteme sind per Ethernet-LAN miteinander verbunden.

Auf dem PC ist als Besonderheit eine Open-Source-Software mit dem Namen Orange installiert (siehe hierzu auch https://orange.biolab.si/). Orange ist eine Data-Mining-Software mit grafischer Benutzeroberfläche, die ähnlich wie Node-RED nach dem Datenflussprinzip funktioniert. Auch unter Orange gibt es eine Werkzeugleiste mit Widgets und eine Arbeitsfläche, auf der die jeweils benötigten Widgets platziert und miteinander verdrahtet werden (siehe folgende Abbildung).



In der Orange-Werkzeugleiste findet man z. B. Widgets, um eine CSV-Datei einzulesen und den Dateiinhalt nicht nur als Tabelle, sondern auch als Scatter Plot anzuzeigen (die Abbildung zeigt genau diese Verdrahtung plus das Clustern per K-Means und einen Scatter Plot für das Cluster-Ergebnis). Auf die gleiche Art und Weise lassen sich beispielsweise sowohl Supervised- als auch Unsupervised-Machine-Learning-Algorithmen auf die Daten einer CSV-Datei anwenden. Der große Vorteil: Um die Möglichkeiten von Orange zu nutzen, muss man keine einzige Zeile Code programmieren.

Wir wollen mit Orange zeigen, wie man per erfasste DNP/AISS1-BME280-Sensordaten (z. B. ein Datenset mit Raumtemperatur-, relative Luftfeuchte- und Luftdruckmessung) als CSV-Datei einliest und beispielsweise in diesen bisher „unbekannten Daten“ nach Clustern sucht (typischer Einsatz von Unsupervised-Machine-Learning-Algorithmen). Dabei können wir die Vorgehensweise und Zusammenhänge unseres Engineering-Prozess für Softsensoren erklären.

Wenn man sich einen BME280-Datensatz mit Raumtemperatur-, relative Luftfeuchte- und Luftdruckmessdaten im Rahmen einer Datenanalyse mit Orange anschaut (z. B. mit Hilfe eines Scatter Plots, siehe die folgende Abbildung), ist das visuelle Ergebnis auf den ersten Blick relativ unspektakulär. Die einzelnen Messwerte der verschiedenen Datenpunkte des Datensatzes liegen vielfach alle innerhalb eines kleinen Bereichs. Mit den Begriffen aus der Statistik ausgedrückt, besitzen die Datenpunkte eine geringe Streubreite bzw. Varianz.

Trotz allem kann man auch in einem solchen Datensatz mit Hilfe der k-Means-Methode nach Clustern suchen (k-Means ist ein Verfahren aus dem Bereich des Unsupervised Machine Learning, um in bisher unbekannten Datensätzen nach Mustern zu suchen, in diesem Fall also nach der Menge von BME280-Datenpunkten mit ähnlichen Eigenschaften). Gibt man für den k-Means-Algorithmus als Hyperparameter eine Clusteranzahl von 2 vor, entsteht eine z. B. eine Zuordnung wie die beiden farblich gekennzeichneten Bereiche in der folgenden Abbildung.



Ob die von k-Means identifizierten Cluster eine praktische Relevanz besitzen (also in diesem Fall tatsächlich zwei unterschiedliche Umgebungszustände klassifizieren), muss ein Experte beurteilen. Diese Fragestellung ist auch bei Sensordaten, die an Maschinen erfasst wurden, nach wie vor eine große Herausforderung. Praxistaugliche Antworten erfordern nach wie vor ein fundiertes Expertenwissen bzgl. der jeweiligen Maschine usw.

VG KDW

P.S.: In diesem Forumsbeitrag wird mehrfach unsere Baugruppe DNP/AISS1 erwähnt. Siehe hierzu https://www.ssv-embedded.de/loesungen/embedded_ml/


Last edited by kdw on 16.02.2020, 17:24; edited 13 times in total
Back to top
View user's profile Send private message
kdw



Joined: 05 May 2006
Posts: 1460

PostPosted: 16.02.2020, 09:28    Post subject: IoT-Plattformintegration ... Reply with quote

Hallo Forum.

Ein weiteres wichtiges SSV-Thema auf der embedded world 2020 sind IoT-Plattformintegrationen. Wir vertreten hier sogar den Standpunkt, dass ein Geräte-, Maschinen- oder Anlagenbauer ohne eine IoT-Plattformintegration seiner Produkte die zum Erhalt der Wettbewerbsfähigkeit erforderliche Digitalisierung nicht erfolgreich realisieren kann.

Ob es nun um den digitalen Zwilling, moderne Wartungs- und Instandhaltungskonzepte (Smart Maintenance) oder ein einfaches Dashboard für die Smartphones der Produktnutzer geht, der erste Schritt ist in jedem Fall eine funktionierende Datenverbindung zu einer IoT-Edge- oder Cloud-Plattform.



Eine solche Plattformintegration ist in Bezug auf die technischen Aspekte inzwischen relativ einfach. Sehr viel schwieriger ist es, durch die IoT-Anbindung eines Produktes auch einen quantifizierbaren Anwendernutzen zu schaffen. Mit ein paar Sensor- oder Maschinendaten, die an eine Cloud übertragen und dort in einem Dashboard visualisiert werden, ist der Anwendernutzen jedenfalls nicht realisierbar. Aus diesem Grund wollen wir unseren Besuchern die entscheidenden Fragen vollständig und nicht nur hinsichtlich der Technik beantworten, z. B.:

- Wie könnte die Datenverbindung zwischen Ihren Produkten und einer IoT-Plattform (z. B. AWS IoT) in der Praxis aussehen?

- Welche Dienste stehen in einer IoT-Plattform zur Verfügung und was für Anwendungen lassen sich damit realisieren?

- Welcher Mehrwert ist durch eine IoT-Plattformintegration für die Kunden und Partner
eines Produktherstellers möglich?

Aber auch Sicherheitsaspekte und themenbezogene Problemlösungen können Sie mit uns in Nürnberg auf der embedded world 2020 diskutieren (zum Beispiel die Fragestellung, wie man durch echte Ende-zu-Ende-Verschlüsselungen eine IoT-Cloudanwendung realisieren kann, die in Bezug auf Daten- und Manipulationsschutz sehr viel sicher ist, als die meisten derzeitigen Anwendungen in der Praxis, die „aus Sicherheitsgründen“ keine Cloud nutzen).

Ein weiteres Thema sind die Kostenaspekte einer IoT-Lösung. Schließlich sind weder die vielen Clouddienste der IoT-Plattformprovider kostenlos, noch lassen sich die großen Datenmengen unzähliger Sensoren besonders preiswert über Mobilfunknetze an IoT-Plattformen übermitteln.



In Nürnberg können sich auch einmal unseren Secure Device Update (SDU) live anschauen. Bei diesem Baustein aus den SSV-IoT-Plattformlösungen geht es darum, für jedes Produkt, in dem ein Stück Software zum Einsatz kommt, eine sichere Remote-Update-Möglichkeit zu schaffen. Entstanden ist SDU im Automatisierungsumfeld. Dort existiert für Millionen von Steuerungen und Controllern nach wie vor überhaupt keine Fern-Update-Fähigkeit. Nur ein entsprechend geschulter Spezialist vor Ort könnte ein Update durchführen und die dadurch anfallenden Arbeits- und Reisekosten müsste jemand bezahlen. Die Folge davon ist, dass in unzähligen Maschinen nach wie vor völlig veraltete Softwareversionen zum Einsatz kommen, obwohl bereits verbesserte Versionen zur Verfügung stehen. Das wollen wir mit SDU ändern.

Anzumerken bleibt, dass Sie ohne eine gut funktionierende Fern-Update-Fähigkeit auf Embedded Systemen eigentlich auch kein maschinelles Lernen einsetzen können. Die Modelle der zum Einsatz kommenden Supervised Machine Learning-basierten Lösungen ändern sich nun einmal von Zeit zu Zeit. Mit SDU lässt sich auch diese Aufgabe lösen.

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



Joined: 05 May 2006
Posts: 1460

PostPosted: 20.02.2020, 07:43    Post subject: Warum nicht KNIME? Reply with quote

Hallo Forum

Inzwischen kam die Frage auf, warum wir für unsere Messedemo Orange und nicht KNIME nutzen. Eine Antwort darauf gibt es eigentlich nicht. Das hat sich einfach so ergeben.



Selbstverständlich kann man das gleiche Beispiel auch mit Hilfe der KNIME-Open-Source-Version (siehe https://www.knime.com/) realisieren. Das sieht dann in etwa so aus:



In dem Bild ist auch der CSV Writer zu erkennen. Wenn die von KNIME-k-Means in dem BME280-Datensatz identifizierten Cluster passen, lässt sich aus den CSV-Rohdaten auch eine neue CSV-Datei als Ausgabe erzeugen. In dieser Ausgabedatei wird dann zu jedem Datenpunkt der dazugehörende Clustername als Label hinzugefügt, so dass sich diese neue CSV-Datei nun als Input für das Training eines Supervised-Machine-Learning-Algorithmus eignet (siehe 1: Datenerfassung, Labeling in unserem Engineering-Prozess).

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 >>> RMG/941 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