Condition Monitoring verteilter Anlagen

IoT-Monitoring per LPWA-Funkverbindung

Industrielle Geräte erzeugen beim Echtzeit-Condition-Monitoring größere Datenmengen, die permanent zu analysieren sind. Ein Sensorrohdaten-Stream in die Cloud ist meist unpraktikabel, zumal dort nur die Analyseergebnisse benötigt werden. Passende Sensorkonzepte können Daten so vorverabeiten, dass sich die verdichteten Informationen schließlich sogar per Low Power Wide Area (LPWA)-Funkverbindungen über größere Entfernungen übertragen lassen.
Bild: SSV Software Systems GmbH

Begleitend zum rasanten Wachstum an installierten IoT-Geräten haben sich verschiedene Funktechnologien für die Sensordatenübertragung in industriellen IoT-Projekten etabliert. Einige nutzen lizenzpflichtige Frequenzen, wie LTE-m oder NB-IoT. Andere teilen sich die lizenzfreien Bänder im Bereich von 868MHz, 2.4 oder 5GHz. Dazu gehören LoRa, Mioty und WLAN. Die Auswahl der Funktechnologie für eine IoT-Sensorapplikation ist anspruchsvoll und sollte unter Einbeziehung von Experten bearbeitet werden. LoRa und Mioty etwa sind eine gute LPWA-Wahl, wenn pro Tag kleine Datenmengen über größere Entfernungen übertragen werden und sich Firmen um die Netzwerkinfrastruktur weitgehend selbst kümmern. Sollen IoT-Sensoren relativ standortunabhängig in verschiedenen Ländern Daten erfassen, ohne Infrastrukturaufwand zu verursachen und sollen dabei keine monatlichen SIM-Kartengebühren anfallen, kommt NB-IoT als LPWA-Standard in Frage. Auf Grund der geringen Bandbreite werden sowohl für LoRa und Mioty als auch NB-IoT sinnvollerweise Sensoren mit eingebetteten KI-Algorithmen benötigt.

In einer IoT-Monitoringanwendung lassen sich z.B. die Wärmebilddaten einzelner Maschinenkomponenten mit einem 8x8-IR-Sensor-Array einmal je Sekunde erfassen und mit Hilfe eines Machine-Learning-Modells direkt im Sensor binär klassifizieren (Zustand OK oder Zustand kritisch). Dabei entsteht jeweils eine kategoriale Variable, die bei jedem Zustandswechsel per LPWA-Funkverbindung an ein Monitoringsystem gesendet wird. Die Sensoren benötigen zusätzlich eine BLE-basierte Serviceschnittstelle für den ML-Modell-Download.
In einer IoT-Monitoringanwendung lassen sich z.B. die Wärmebilddaten einzelner Maschinenkomponenten mit einem 8×8-IR-Sensor-Array einmal je Sekunde erfassen und mit Hilfe eines Machine-Learning-Modells direkt im Sensor binär klassifizieren (Zustand OK oder Zustand kritisch). Dabei entsteht jeweils eine kategoriale Variable, die bei jedem Zustandswechsel per LPWA-Funkverbindung an ein Monitoringsystem gesendet wird. Die Sensoren benötigen zusätzlich eine BLE-basierte Serviceschnittstelle für den ML-Modell-Download. Bild: SSV Software Systems GmbH

Kategoriale Sensordaten

Die meisten Sensoren erfassen typischerweise eine bestimmte physikalische Messgröße und liefern etwa am Ausgang eine Spannung oder einen Widerstands- bzw. Kapazitätswert, der dem zeitlichen Verlauf der Eingangsmessgröße folgt. Abhängig vom Wirkprinzip des Sensorelements und dem jeweiligen Messverfahren fallen dabei innerhalb einer bestimmten Zeitspanne relativ große Datenmengen an. Bei einem MEMS-Beschleunigungssensor, der die auf eine Testmasse wirkende Trägheitskraft über kapazitive Veränderungen bestimmt, können das je nach Bandbreite und Anzahl der Beschleunigungsachsen schon mehrere tausend Bytes pro Sekunde sein. Selbst bei einem einfachen Infrarot-Sensor-Array mit 8×8 Pixeln zur Temperaturmessung von Flächen und anderen Objekten entstehen über eine bestimmte Entfernung bei einer Auffrischrate von 1Hz immer noch 128 Bytes je Sekunde. Im industriellen IoT, also in der Welt der Maschinen und Anlagen, gibt es unzählige Anwendungen, in denen ein Sensordatenstrom zur Informationsgewinnung über Datenanalysen in einen kategorialen Ausgangswert umgewandelt wird. Ein typisches Beispiel wäre das Condition Monitoring. Dazu gehört sehr häufig die Fragestellung, in welchem Zustand die Maschine jeweils ist (Maschine ist im Standby-Zustand, Maschine ist aktiv und produziert oder die Maschine befindet sich in einer Rüstphase). Ein weiteres Beispiel wäre der Verschleißzustand der Schleifringkomponenten einer Antriebsbaugruppe mit Hilfe von Thermografiebildern. Hier sind lediglich zwei Zustände relevant: OK oder kritisch.

Embedded Data Analytics

Die erforderlichen Sensordatenanalysen für eine möglichst genaue Zustandsklassifizierung sind beim derzeitigen Stand der Technik auch direkt in einem Sensor durchführbar. Die dafür relevanten Funktionsbausteine lassen sich unter dem Oberbegriff TinyML zusammenfassen. Hinter diesem relativ neuen Begriff verbirgt sich eine Sammlung von Methoden und Konzepten für Machine Learning (ML)-Anwendungen mit eingebetteten Mikrorechnersystemen (Embedded Systems). Zu TinyML gehören sowohl Algorithmen und andere Softwarefunktionen als auch Hardwareaspekte. TinyML nutzt gegenwärtig in erster Linie das Supervised Machine Learning. Dieses ML-Verfahren besteht aus den Schritten Modellbildung und Modellnutzung. Im ersten Schritt wird anhand speziell erfasster Daten ein ML-Modell erzeugt und in einer Datei gespeichert. Dabei kommen künstliche neuronale Netzwerke (KNN) zum Einsatz, deren Gewichtungsparameter die Zusammenhänge der erfassten Daten ‚erlernen‘. Dieser Vorgang ist insgesamt sehr rechenintensiv und sollte daher in der Cloud oder auf entsprechend leistungsfähigen Servern erfolgen. Mit dem jeweils erzeugten Modell lässt sich praktisch jede mathematische Regressions- oder Klassifizierungsaufgabe lösen. Entscheidend ist allerdings die Qualität der erfassten Daten, aus denen das KKN die Zusammenhänge erlernt. Via TinyML-Methoden ist aus der Modelldatei ein Embedded-Code zur Modellnutzung erstellbar, die sich direkt in einem Sensor ausführen lässt. Damit lassen sich bisher unbekannte (Sensor-) Eingangsdaten periodisch analysieren. Das Ergebnis ist jeweils ein Regressand (also eine von den Eingangsdaten abhängige Ausgangsvariable) oder eine Klasse. Dieser ML-Modell-basierte Analysevorgang wird auch als Inferenzphase bezeichnet.

ML-Modell erforderlich

Die Schlüsselkomponenten zur Reduzierung des Sensorrohdatenvolumens und zur LPWA-Nutzung sind das Machine-Learning-Modell und eine Inferenzfunktion. Dafür werden auf jeden Fall qualifizierte Daten benötigt, in denen ein Lernalgorithmus die gewünschten Zusammenhänge vorfindet. Sowohl für den Lernvorgang als auch für die spätere Inferenzphase sind einige Parameter zu spezifizieren, die das KNN selbst und die Optimierungsmethodik des Lernvorgangs usw. beschreiben. Das nach dem Lernvorgang vorliegende Modell ist bezüglich der Genauigkeit zu prüfen (davon hängt die Fehlerquote der Inferenz ab). Gegebenenfalls ist die Modellbildung mit veränderten Parametern zu wiederholen. Bei einer zufriedenstellenden Genauigkeit wird das Modell in ein TinyML-Format umgewandelt und in die Sensorsoftware integriert. Um dem interessierten Leser die dafür erforderliche Vorgehensweise beispielhaft aufzuzeigen, wurden unter github.com IR-Wärmebilder als Beispieldaten plus erforderlichem Python-Code für ein geeignetes ML-Modell inklusive einer Beschreibung veröffentlicht, welches sich mit der Open-Source-Bibliothek TensorFlow erstellen lässt.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Bild: B&R Industrie-Elektronik GmbH
Bild: B&R Industrie-Elektronik GmbH
Flexibel lizenziert und sicher

Flexibel lizenziert und sicher

Als Automatisierungsanbieter muss B&R einen Spagat bewältigen: Zum einen gilt es, permanent neue
Technologien in neue Produkte zu gießen und auf den Markt zu bringen. Zum anderen müssen die Kunden aber auch zuverlässig und langfristig mit bestehenden Produkten und Lösungen versorgt werden. Dazu zählt
Hard- und Software, die über eine Einmalzahlung oder als Jahresabonnement gekauft werden kann. Die Anwender entwickeln mit der Engineering-Plattform Automation Studio auch ihre eigenen Lösungen und wollen diese wiederum für die Endkunden lizenzieren. Um hier einen zuverlässigen und nachhaltigen Weg für die gesamte Produktpalette zu beschreiten, arbeitet B&R mit Wibu-Systems zusammen.

Bild: ISW Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen
Bild: ISW Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen
Echtzeitsteuerung aus der Cloud

Echtzeitsteuerung aus der Cloud

Die Stuttgarter Maschinenfabrik bildet eine vollständig digitalisierte
Produktionsumgebung ab, in der maßgeschneiderte Produkte innerhalb der physikalischen Grenzen selbstorganisiert hergestellt werden können. Das erfordert eine neue technologische Infrastruktur, die auf dem Einsatz konvergenter Kommunikationstechnik und Echtzeit-Virtualisierung basiert. Zur Verwaltung virtualisierter Echtzeit-Steuerungsanwendungen bedarf es Erweiterungen von Orchestrierungswerkzeugen, die Cloud-Computing den notwendigen Determinismus ermöglichen.

Bild: INOSOFT GmbH
Bild: INOSOFT GmbH
Die Software hinter 
den Leitkegeln

Die Software hinter den Leitkegeln

X-Cone ist ein System zur Verwaltung von Leitkegeln im Straßenverkehr. Dessen Hersteller Buchhaus nutzt eine
Visualisierungslösung von Lenze, in der wiederum VisiWin 7 von Inosoft integriert wurde. Eine HMI-Software, die webbasiertes Arbeiten und Responsive Design unterstützt.

Bild: Uhlmann Pac-Systeme
Bild: Uhlmann Pac-Systeme
Weniger Risiko 
und bessere Qualität

Weniger Risiko und bessere Qualität

Die Industrie muss immer flexibler und schneller auf ihre Märkte reagieren, das gilt auch für Pharmaunternehmen. Infolgedessen werden Lieferzeiten ein zunehmend
entscheidendes Thema. Uhlmann Pac-Systeme, Systemanbieter für das Verpacken von Pharmazeutika aus Laupheim, wollte deshalb kürzere Durchlaufzeiten, beschleunigte Prozesse und Mehrkörpersimulation erreichen – und setzt dabei auf Simulationssoftware von Machineering.

Bild: Institut für Fertigungstechnik und Werkzeugmaschinen an der Leibniz Universität Hannover
Bild: Institut für Fertigungstechnik und Werkzeugmaschinen an der Leibniz Universität Hannover
Neues Modalanalysesystem mit bis zu 32 Sensoren

Neues Modalanalysesystem mit bis zu 32 Sensoren

Zur Schwingungsanalyse von Maschinen wurde am IFW ein neues Modalanalysesystem Simcenter SCADAS mobile der Firma Siemens beschafft. Hiermit ist es möglich sowohl die Eigenfrequenzen der Maschine oder eines Bauteils mit einer Modalanalyse, als auch die während des Prozess auftretenden Schwingungen mit einer Betriebsschwingungsanalyse zu identifizieren.

Bild: Contrinex Sensor GmbH
Bild: Contrinex Sensor GmbH
Taschenspieler

Taschenspieler

Smarte Sensoren sind das Herzstück der digitalen Fabrik: Sie machen
Anwendungen wie Condition Monitoring oder Predictive Maintenance überhaupt erst möglich. Die intelligenten Sensoren von Contrinex eignen sich für zahlreiche Einsatzgebiete, denn sie vereinen mehrere Erfassungsmodi in einem einzigen Gerät. Jetzt hat das Unternehmen als Zubehör das Tool PocketCodr-Konfigurator auf den Markt gebracht, mit dem sich die Sensoren ohne IT-Kenntnisse einrichten und abfragen lassen.