embedded world 2018 ...

[kdw]

Hallo Forum.

Das neue Thinglyfied 2-Release ermöglicht Cloud-basierte Informationsgewinnung mit batteriebetriebenen Funksensoren. Aus diesem Grund ist unser diesjähriges Thema „Sensor-2-Information für IoT und I4.0“.



Sensordaten an sich bieten für die Digitalisierung einer bestimmten Aufgabe noch keinen Mehrwert. Erst eine geeignete Informationsgewinnung schafft die Voraussetzungen für werthaltige Optimierungen und autonome Systeme.

Mit Thinglyfied 2 unterstützen wir nun die gesamte Wertschöpfungskette: Neben den Bausteinen für Sensorsystem und Gateway sowie verschiedene Funktechnologien, sind jetzt auch Data Science-Funktionen für die Cloud enthalten.

Thinglyfied 2 ermöglicht die anwendungsspezifische Kombination aus Sensorelementen, Signalkonditionierung, MCU für Power Management und Datenaufbereitung, Funkschnittstelle sowie eine geeignete Spannungsversorgung (Batterie, Akku, Energie-Harvesting). Dadurch sind völlig individuelle IoT-Sensorsysteme realisierbar.

Ein typisches Anwendungsbeispiel wäre ein MEMS-Sensor für Vibrationsmessungen mit einer Narrow Band-Funkschnittstelle in einem IP54-Gehäuse, der mit einer AA-Batterie mehrere Jahre ohne Unterbrechung Predictive Maintenance für Antriebselemente in Produktionsumgebungen ermöglicht.

VG KDW

[kdw]

Hallo Forum.

Einige Thinglyfied-Komponenten stehen in unserem neunen Open IoT Gateway-Entwicklerbaukasten zum Ausprobieren zur Verfügung. Der Anwendungsschwerpunkt ist das Thema "Sensor-2-Information".



Mit dem Entwicklerbaukasten kann man Sensordaten über eine LTE-Mobilfunkverbindung an eine x-beliebige Cloud schicken und dort als Datensatz für eine Datenanalyse speichern. Der gesamte Lieferumfang besteht aus:

1x IGW/941 mit LTE Router Board (siehe auch https://ssv-comm.de/forum/viewtopic.php?t=1372)

Je 1x Mobilfunkantenne, LAN- und USB-Kabel

1x Sensor-Experimentiermodul mit verschiedenen Sensoren (Arduino Uno + Ethernet Shield + Zubehör)

1x SIM-Karte mit IoT-Datentarif

1x Webbasierte Konfigurationssoftware

1x vorkonfigurierte Cloud-Testverbindung

1x vorkonfiguriertes Datenanalyse-Beispiel

Die unzähligen Sensor-2-Cloud-Beispiele, die man auf der embedded world 2018 besichtigen kann, beschränken sich lediglich darauf, Sensordaten an eine Cloud zu liefern. Sensor-2-Information geht durch die Datenanalyse einen entscheidenden Schritt weiter. Dabei werden aus den Sensordaten werthaltige Informationen gewonnen, die z. B. als Grundlage maschineller oder menschlicher Optimierungsentscheidungen dienen können. Denn erst durch die richtigen Informationen lassen sich Produktivitätssteigerungen oder Energiekosteneinsparungen realisieren.





Durch die Datenanalyse werden die Daten und die darin enthaltenen Muster für den Menschen sichtbar. Gleichzeitig entstehen Datensätze mit „Labeled Data“, die als Basis für das Machine Learning (Supervised Learning) genutzt werden.

Supervised Machine Learning führt zu Modellen, die es einem Algorithmus ermöglichen, aus einem Eingabedatenstrom z. B. für Predictive Maintenance relevante Schlussfolgerungen zu ziehen, um proaktive Servicekonzepte zu realisieren. Entscheidend dabei sind die im ML-basierten Modell steckenden Erfahrungen.

VG KDW

[kdw]

Hallo Forum.

Beim Thema Sensor-2-Information geht es um Daten, aus denen sich Informationen mit quantifizierbarem Wert erzeugen lassen. Insofern sollte man die folgenden Fragestellungen nicht aus den Augen verlieren:

Wie komme ich an geeignete Daten (Funksensoren, IO-Link-Sensoren, externe Datenquellen)?

Wie muss ich diese Daten aufbereiten, damit sie sich für die Informationsgewinnung eignen (Data Preprocessing)?

Mit welchen Methoden soll die Datenanalyse erfolgen, z. B. EDA (Explorative Datenanalyse), Machine Learning usw.?

Wie werden die Informationen präsentiert, damit der quantifizierbare Nutzen eintritt (z. B. welche Entscheidungen können wir durch die gewonnenen Informationen besser treffen)?

Ein quantifizierbarer Nutzen ist zum Beispiel durch den Einsatz von Predictive Analytics im Umfeld von Maschinen und Anlagen möglich. Dabei entstehen Vorhersagen aus Daten unter Zuhilfenahme von Datenanalysen. Damit haben Sie beispielsweise folgenden Optimierungsmöglichkeiten:

Predictive Maintenance: Durch einen Daten- und Informationsgewinnungsprozess sollen ungeplante Maschinenstillstände vermieden werden. Mit Hilfe von Data Science-Methoden erhalten Sie Aussagen wie „Der Antrieb A in Maschine B wird mit einer Wahrscheinlichkeit von x% innerhalb von y Tagen ausfallen“. Damit können Sie proaktiv reagieren, also die erforderlichen Ersatzteile unter Berücksichtigung der Lieferzeiten frühzeitig bestellen und zu einem geeigneten Zeitpunkt einbauen.

Predictive Quality: In jeder Maschine gibt es Werkzeuge, deren aktueller Zustand maßgeblich Einfluss auf die Qualität des Endprodukts hat. In einer Anlage sieht es beispielsweise bzgl. wichtiger Hilfsstoffe ähnlich aus. Ein Daten-Retrofit über zusätzliche Sensoren mit nachfolgender Datenanalyse ermöglicht Vorhersagen zur Qualität der finalen Produkte. Mit Predictive Analytics lässt sich in diesem Fall z. B. der Zeitpunkt vorhersagen, ab wann eine Maschine Ausschuss produzieren wird. Durch rechtzeitige Eingriffe lässt sich so etwas verhindern.

Predictive Efficiency: Ein Verbund aus vielen Maschinen in einer Fabrik erzeugt hin und wieder Strombezugsspitzen, die zu hohen Stromkosten führen können. Intelligente Algorithmen, die über eine Industrie-4.0-/IIoT-Retrofit-Sensorik mit Daten versorgt werden und darüber hinaus mittels Aktoren die Leistungsaufnahme einiger Maschinen drosseln können, helfen dabei, Energie effizienter zu nutzen. Im einfachsten Fall – also ohne die Aktoren – lassen sich durch Datenanalysen auch Maschinen- und Anlagenfahrpläne erstellen, die manuell umgesetzt werden.

Predictive Service mit Hilfe einer automatisierten Anomalieerkennung: Die Status- und Fehlermeldungen eines bestimmten Maschinentyps werden in der Cloud oder auf einem zentralen Server gespeichert. Mit einem an die Daten angepassten Preprocessing und der dann folgenden Analyse erfolgt die Auswertung und Informationsgewinnung.

VG KDW

[kdw]

Hallo Forum.

Im Zusammenhang mit dem Sensor-2-Information-Thema kommt immer mal wieder die Frage auf, wo genau eine Datenanalyse erfolgen soll: Auf einem Edge-Gateway oder in der Cloud?

Die Entscheidung zwischen den beiden Optionen hängt von verschiedenen Parametern bzw. Voraussetzungen ab. Man muss daher für jeden Anwendungsfall zunächst einmal folgende Detailfragen klären:

Dürfen die Daten überhaupt in die Cloud oder gibt es Firmen- bzw. Datenschutzvorgaben, die dagegen sprechen?

Lässt sich die jeweilige Menge an Maschinen- und Anlagendaten überhaupt ökonomisch sinnvoll an eine Cloud übermitteln (Volumenlimitierungen durch LoRa und NB-IoT. Die Nutzung einer Cloud ist z. T. nicht gerade günstig, daher Capex ./. Opex für den jeweiligen Anwendungsfall abgleichen)?

Gibt es Echtzeitvorgaben, die gegen eine Datenanalyse in der Cloud sprechen?

Im einen oder anderen Fall ist auch ein Mix (ein Teil der Datenanalyse erfolgt „@theEdge“, ein anderer Teil in der Cloud) die beste Lösung. Um zum Beispiel aus den Daten einer Schwingungsmessung an einem Antriebselement möglichst zeitnah Erkenntnisse hinsichtlich drohender Schäden zu ziehen, kommt eigentlich nur eine FFT „@theEdge“ in Frage.



Zur Langzeitdatenaufzeichnung des Spektrums, um auch Trends in der Visualisierung darzustellen, wäre dann wieder eine Cloud die besser geeignete Plattform.

VG KDW