<<< Previous topic - Next topic >>> |
|
Author |
Message |
kdw
Joined: 05 May 2006 Posts: 1490
|
Posted: 17.09.2024, 16:39 Post subject: KI für Low-Code-Anwendungen … |
|
|
Wenn beispielsweise eine Digitalisierungsaufgabe im Umfeld von Maschinen und Anlagen mit Hilfe einer Low-Code oder No-Code-Anwendung zu lösen ist, eignet sich z. B. unser KI-basiertes Softsensor-Konzept.
Ein Softsensor, auch virtueller Sensor oder Sensorfusion genannt, ist kein real existierender Sensor, sondern eine Modell-basierte Verknüpfung von „stellvertretenden Messgrößen“ zu einer Zielgröße. Softsensoren berechnen die gewünschte Zielgröße als Ausgangswert aus verschiedenen zu ihr korrelierenden Eingangsvariablen. Das Eingangsdatenbild kann aus Messdaten einzelner Hardware-Sensoren, aber auch Messwerten bzw. Variablen aus anderen Quellen bestehen. Wichtig ist, dass eine mathematisch beschreibbare Wechselbeziehung zwischen den einzelnen Eingangsvariablen und der Zielgröße existiert. Mit Hilfe des maschinellen Lernens (ML), also einem Teilbereich der künstlichen Intelligenz (KI), lassen sich sehr leistungsfähige Softsensoren für verschiedene Anwendungsbereiche erstellen. Die folgende Abbildung zeigt ein Beispiel:
(1) Eingangsdatenbild: Datenerfassung durch externe Hardware-Sensoren und/oder Messwerte bzw. Variablen, die über Schnittstellenverbindungen aus einer Maschinensteuerung ausgelesen werden.
(2) Ausgangszielgröße: Datenanalyse der Eingangsdaten durch maschinelles Lernen. Dadurch entsteht eine Zielgröße. Weitergabe der Zielgröße an die Low-Code-Applikation, z. B. per MQTT oder ein REST-API.
Eine solche Anwendung lässt sich im Produktionsbereich innovativer Fabriksysteme einsetzen. Unter anderem z. B. für Predictive Maintenance (also die vorausschauende Wartung), eine automatische optische Qualitätskontrolle, für die Steuerung von Lagersystemen und zum Betrieb autonomer Fahrzeuge. |
|
Back to top |
|
|
kdw
Joined: 05 May 2006 Posts: 1490
|
Posted: 18.09.2024, 16:30 Post subject: Die KI-Algorithmen eines Softsensors … |
|
|
Wir nutzen in den KI-basierten Softsensoren in der Regel maschinelles Lernen (ML) und erzeugen jeweils ein zur Aufgabenstellung passendes ML-Modell plus die passende Inferenzfunktion. Dafür verwenden wir in vielen Fällen einen sogenannten Autoencoder. Darunter versteht man eine spezielle Architektur für künstliche neuronale Netzwerke, die eine Encoder-Funktion enthält und Eingangsdaten auf die wesentlichen Merkmale reduziert (man spricht in diesem Zusammenhang auch von latenten Merkmalen). Aus den reduzieren Eingangsdaten wird mit Hilfe einer Decoder-Funktion ein Ausgangsdatenbild rekonstruiert, das den ursprünglichen Eingangsdaten entspricht. Mit diesem Verfahren plus einigen Zusatzfunktionen lassen sich ML-Modelle erstellen, die sehr effektiv Anomalien erkennen. Autoencoder-basierte Modelle entstehen per selbstüberwachten Lernen (Unsupervised Machine Learning). Die Trainingsdaten benötigen somit keine Label wie beim Supervised Machine Learning. Dadurch lassen sie sich relativ einfach in einer Zielumgebung erfassen.
|
|
Back to top |
|
|
|
|
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
|
|