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
Webinar mit AWS-Team ...

 
Neues Thema eröffnen   Neue Antwort erstellen    SSV-Forum Foren-Übersicht >>> RMG/941
<<< Vorheriges Thema - Nächstes Thema >>>  
Beiträge der letzten Zeit anzeigen:   
Autor Nachricht
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1296

BeitragVerfasst am: 03.07.2020, 11:01    Titel: Webinar mit AWS-Team ... Antworten mit Zitat

Hallo Forum.

Das AWS-Team veranstaltet im Rahmen der Initiative Software Builders Connect Online-Sessions, bei denen ein Redner seine best-practices und Tipps für die Arbeit mit AWS teilen kann - gefolgt von einer Live-Demo und einer Frage-und-Antwort-Runde.

In der kommenden Session werde ich erläutern, wie man mit AI-basierten virtuellen Sensoren zur Maschinen- und Produktionsüberwachung, Prozesse in der Industrie 4.0 verbessern kann. Dabei kommen einige Details, Tipps & Tricks zur Nutzung von AWS-Diensten wie IoT Core, Lamda und Sagemaker zu Sprache.



Die Session wird über Amazon Chime am Donnerstag, den 23. Juli, zwischen 14:00 und 15:00 Uhr stattfinden. Hier die Agenda:

* Introduction Klaus-Dieter Walter & SSV Software Systems
* IoT and Industry 4.0 challenges and solutions
* Industrial virtual sensors in a nutshell
* AWS/vSensor: virtual sensor implementation with AWS Services
* How to orchestral different AWS services for virtual sensors
* Live Demo with IoT Core, Lambda, and SageMaker
* Other planned projects: AWS/dTwin, AWS/wMetering
* Q&A round and wrap up

Sie können sich hier https://svvaibasedvirtualsensors.splashthat.com/ registrieren. Die Sitzung wird in englischer Sprache abgehalten. Sie können gerne Fragen sowohl in Englisch als auch in Deutsch stellen.

VG KDW

P.S: Beachte bitte auch mein White Paper https://ssv-comm.de/forum/dokumente/AI-based_Sensors_KDW.pdf aus Okt. 2018. Das war eine erste Use-Case-Idee für virtuellen Sensoren ...


Zuletzt bearbeitet von kdw am 21.07.2020, 06:03, insgesamt einmal bearbeitet
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1296

BeitragVerfasst am: 18.07.2020, 14:12    Titel: vSensor-Beispiel ... Antworten mit Zitat

Hallo Forum.

Im Rahmen des Webinars werde ich recht ausführlich ein Praxisbeispiel für einen virtuellen Sensor erläutern, der mit Hilfe der AWS erstellt wurde. Das Beispiel basiert auf einer Condition-Monitoring-Anwendung für den Antriebsstrang einer Maschine. Als Datenquelle dient ein Vibrationssensor mit einem MEMS-Inertial-Sensorelement.



Im theoretischen Teil wird beschrieben, was genau ein virtueller Sensor (aka Softsensor) ist und welche Herausforderungen bei der Entwicklung zu bewältigen sind. Dabei wird deutlich, dass ein solcher Sensor aus einem physischen und einem virtuellen Teil besteht. Bei einem AWS/vSensor sind die „virtuellen Komponenten“ als Softwarebausteine per AWS implementiert.

Der praktische Beitragsteil liefert einen Einblick in die sechs Funktionseinheiten eines AWS/vSensors, zur Vibrationsdatenerfassung und Datenanalyse an rotierenden Maschinenteilen, um Condition-Monitoring-Aufgaben zu lösen. Dabei kommen Machine-Learning-Algorithmen zum Einsatz. Hier ein Überblick zu den sechs Bausteinen in der Abbildung:

1. AWS/vSensor-Hardwareteile (Maschinensensor + Gateway). Dient zum Sammeln „gelabelter“ Trainingsdaten und zum Erfassen von Echtzeit-Merkmalsvektoren für die Inferenzmaschine. Das Gateway wird nicht nur für die Sensordatenerfassung, sondern auch für Fernzugriffsaufgaben verwendet (z. B. Fernzugriff auf eine Antriebswellen-SPS oder den Controller eines Frequenzumrichters).

2. AWS S3-Dienst (S3 = Simple Storage Service). Wird zur Speicherung der Machine-Learning-Trainingsdaten und des für den Sensor erzeugten Modells genutzt.

3. AWS SageMaker-Service: Wird zum Erstellen des Machine-Learning-Modells (ML-Modell) und für die Inferenzphase verwendet (AWS/vSensor-Inferenz = Klassifizieren eines Datenvektors an Hand des ML-Modells, die Inferenz Engine des virtuellen Sensors).

4. AWS IoT Core. Schnittstelle zur Entgegennahme eines Datenvektors von der Sensor-Hardware, um die Inferenz auszuführen und um das Inferenzergebnis anderen Anwendungen zur Verfügung zu stellen (entspricht dem "Datenausgang" eines virtuellen Sensors).

5. AWS Lambda-Service. Als I/O-Daten-Dispatcher wird eine AWS-Lambda-Funktion eingesetzt.

6. AWS SNS-Dienst. Ereignisbenachrichtigung mit der Inferenz-Engine-Ausgabe. Bei bestimmten Ereignissen kann der virtuelle Sensor Benachrichtigungen verschicken (z. B. eine SMS, E-Mail usw.).

Die Live-Demo des Webinars ist so organisiert, dass der Teilnehmer jeden einzelnen der sechs Punkte wiederfindet und dadurch der Zusammenhang deutlich wird.

Siehe auch: https://github.com/SSV-embedded/RMG-941-and-AWS
Siehe auch: https://github.com/SSV-embedded/MLS160A-SDK

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



Anmeldedatum: 05.05.2006
Beiträge: 1296

BeitragVerfasst am: 21.07.2020, 06:16    Titel: Basics ... Antworten mit Zitat

Hallo Forum.

In dem Webinar kommen auch ein paar sehr wichtige Grundlagen zur Sprache. Ein Beispiel ist der Unterschied zwischen einer IoT- und IIoT-Anwendung. In beiden Anwendungsfällen haben wir es mit einer vierstufigen Funktionskette aus Sensing, Datenanalyse, Entscheidungsfindung und Aktion zu tun. Die beiden Bausteine Sensing und Datenanalyse bilden zusammen ein Monitoring.



Was ist nun neben den verschiedenen Anwendungsumgebungen der eigentliche Unterschied? Eine IoT-Anwendung liefert über die gesamte Funktionskette betrachtet in der Regel qualitative Ergebnisse. Bei einer IIoT-Applikation sind es hingegen meistens quantifizierbare Resultate (es existiert eine Metrik). Um die Unterschiede zu verdeutlichen, vergleichen wir im Webinar einen Fitness Tracker (IoT) mit einem Production Line Performance Monitor (IIoT).

Ein weiterer wichtiger Aspekt, der bei den Grundlagen zur Sprache kommt, sind die Datenquellen und Datenformate für die Datenanalyse. In der IT-Welt dienen vielfach Datenbanken als Datenquellen für eine Datenanalyse. In der IoT-Welt sind es hingegen sehr häufig Sensordaten, also Signale. Da gibt es einige sehr gravierende Unterschiede.



Insofern gibt es einige spezielle Begriffe aus der digitalen Signalverarbeitung, wie: Sampling, Sampling Periode, Sampling Frequenz, Nyquist Frequenz, Filter (mit Stopband, Passband sowie Cutoff Frequenz) und Fourier Transformation (FFT). Das dazu gehörende Fachwissen sollte man als IT-Experte oder Data Scientist auf jeden Fall beherrschen, bevor man z. B. eine Condition-Monitoring-Anwendung mit Sensordaten in der Automatisierung realisiert. Solches Spezialwissen ist in diesem Anwendungsumfeld z. B. für die Datenvorbereitung sehr hilfreich, bevor man mit einem Machine-Learning-Algorithmus in einer Sensordatenanalyse halbwegs brauchbare Ergebnisse erzielt.

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



Anmeldedatum: 05.05.2006
Beiträge: 1296

BeitragVerfasst am: 21.07.2020, 17:11    Titel: Factory Environment Use Case … Antworten mit Zitat

Hallo Forum.

Die Zustände komplexer Systeme kann man nicht ohne weiteres als physikalische Größe messen. Insofern wird eine Sensorik benötigt, die bestimmte Größen misst (z. B. Temperatur, Stromaufnahme, Geräuschentwicklung, Vibration usw.) und diese Messwerte an eine Datenanalyse-Software übergibt, um die gewünschten Ausgabewerte zu bestimmen. Das Ergebnis ist dann ein virtueller Sensor (vSensor, aka Softsensor). Ein solcher vSensor ist kein real existierender Sensor, sondern eine Modell-basierte Abhängigkeitssimulation mit stellvertretenden Messgrößen und einer (nicht direkt messbaren) Ausgangsinformation. Er basiert somit auf der Abhängigkeit von korrelierenden „Eingangsmesswerten“ zu einer Zielgröße am Ausgang.

Die Frage „Wofür benötigt man virtuelle Sensoren?“ wollen wir an Hand eines Anwendungsbeispiels beantworten. Dafür nutzen wir ein typisches Remote-Support-Beispiel aus der alltäglichen Praxis.

Stellen wir uns als User Story einfach vor, Sie sind Anlagenbauer und wollen Ihren Kunden und Partnern für alle Komponenten des Antriebsstrangs jederzeit die bestmögliche Unterstützung bieten. Dafür kann der Kunde oder ein Servicepartner jederzeit ihr Servicecenter anrufen, um mit einem Experten zu sprechen. Es sind sowohl reine Sprachanrufe als auch Video-Chat-Sitzungen möglich. Im Rahmen eines solchen Anrufs können die Person vor Ort (Onsite Operator, Field Service Engineer) und der Experte in der Zentrale (Remote Adviser) verschiedene Probleme gemeinsam lösen.

Damit der Remote Adviser erfolgreich helfen kann, benötigt er auf jeden Fall die jeweiligen Einstellungen der Steuereinheiten vor Ort (z. B. SPSen) sowie die aktuellen Betriebsdaten der Komponenten des Antriebsstrangs.



Um an die Konfigurationsdaten zu kommen, kann der Onsite Operator einen SPS-Fernzugriff für den Remote Advisor autorisieren. Die zusätzlich benötigten Maschinendaten werden über virtuelle Sensoren, deren Sensorelemente an verschiedenen Positionen des Antriebsstrangs befestigt sind, erfasst, digitalisiert, vorverarbeitet (z. B. per FFT aus dem Zeitbereich in den Frequenzbereich umgewandelt) und an eine IoT-Plattform übertragen. Aus diesen Rohdaten werden dann über die Datenanalyse-Softwarekomponenten des virtuellen Sensors die Zustandsdaten bzw. -informationen für den Remote Adviser erzeugt.

Ein virtueller Sensor besteht somit aus den einzelnen Sensorelementen vor Ort plus verschiedenen Softwarekomponenten zur Datenanalyse der Sensorrohdaten, die in einer IoT-Plattform ablaufen. Die IoT-Plattform selbst kann sich auf einer Edge-Hardware oder in der Cloud befinden. Durch das Zusammenspiel der Hardware- und Softwarefunktionseinheiten lässt sich zum Beispiel ein Condition-Monitoring-Sensor für den Remote Adviser realisieren, der die Restlebensdauer der Verschleißteile eines Antriebsstrangs bestimmt.

VG KDW


Zuletzt bearbeitet von kdw am 26.07.2020, 09:35, insgesamt einmal bearbeitet
Nach oben
Benutzer-Profile anzeigen Private Nachricht senden
kdw



Anmeldedatum: 05.05.2006
Beiträge: 1296

BeitragVerfasst am: 26.07.2020, 09:27    Titel: Konzept für virtuelle Sensoren ... Antworten mit Zitat

Hallo Forum.

Per Definition liefern Sensoren am Ausgang einen quantifizierbaren Messwert, der der zeitlichen Veränderung einer physikalischen Größe, wie beispielsweise elektrische Spannung, Kapazität, elektrischer Strom, Widerstand, usw. entspricht. Damit kann man nicht alles direkt messen. Insofern werden weitere Funktionen zur Signalkonditionierung und Informationsgewinnung benötigt. Die folgende Abbildung zeigt die einzelnen Funktionen eines typischen Sensors für IoT-Anwendungen.



Ein Sensor mit digitalem Ausgang lässt sich durch das Zusammenwirken von insgesamt sechs Funktionseinheiten realisieren (siehe Abbildung). Am Anfang dieser Funktionskette ist das Sensorelement zu finden, zum Beispiel ein temperaturabhängiger Widerstand mit einer entsprechenden Beschaltung. Es folgt die analoge Signalkonditionierung mit Pegelanpassungen, Anti-Aliasing-Filter und ggf. einem Verstärker. Die dritte Funktionseinheit ist ein Analog-Digital-Wandler, um aus den analogen Eingangswerten digitale Zahlen vom Datentyp Integer mit oder ohne Vorzeichen zu erzeugen. Zahlreiche Sensoren besitzen in dieser Stufe noch weitere Hilfsfunktionen, beispielsweise eine Linearisierung oder Kalibrierung. Es folgt die digitale Signalaufbereitung (Signal Processing), z. B. digitale Filter oder eine Umwandlung vom Zeit- in den Frequenzbereich (FFT). Diese Funktionseinheit ist allerdings nicht bei allen Sensoren vorhanden. Die nächste Stufe ist die Signalbewertung (Signal Valuation). Hier lassen sich beispielsweise komplexe Algorithmen einordnen, die aus den digitalen Zahlenwerten die gewünschten Informationen gewinnen. Bei einem Sensor mit einem temperaturabhängigen Widerstand als Sensorelement, wäre hier eine Mapping Funktion mit einem Korrelationsverhalten zu finden. Die sechste und letzte Funktionseinheit ist die Kommunikationsschnittstelle, über die ein digitaler Sensor seine Ausgangswerte an andere Systeme weitergibt. Über dieses Interface sind in der Regel auch Konfigurationseinstellungen möglich.



Bei einem virtuellen Sensor wird die sechsstufige Funktionskette in zwei Teile aufgetrennt. Sensorelement, Signalkonditionierung und die Analog-Digitalwandlung bilden zusammen mit der Kommunikationsschnittstelle den einen Teil [1], die digitale Signalverarbeitung sowie die Informationsgewinnung den anderen [2]. Die beiden Funktionsblöcke lassen sich auch örtlich trennen. Die Funktionen zu [1] werden vor Ort, also an der Messstelle realisiert, [2] hingegen an einem völlig anderen Ort innerhalb einer IoT-Plattform. Diese Plattform lässt als Edge- oder Cloud-Lösung implementieren, oder man nutzt dafür die AWS.

Im Webinar wurde der AWS/vSensor als ein Beispiel für einen virtuellen Sensor vorgestellt, der die Funktionen zu [1] per RMG/941 und MLS/160A realisiert. Die Softwarebausteine [2] werden durch eine Lambda-Funktion und einen SageMaker Endpoint gebildet, beides Dienste der Amazon-Cloud, die allerdings für jede individuelle Anwendung durch eigenen Code implementiert werden müssen.

Siehe: https://www.ssv-embedded.de/produkte/rmg941.php
Siehe: https://www.ssv-embedded.de/produkte/mls160a.php

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 >>> RMG/941 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

© 2020 SSV Software Systems GmbH. Alle Rechte vorbehalten.

ISO 9001:2015