Am frühen Nachmittag tritt in der Montagehalle eines Automobilherstellers plötzlich ein unerwartetes Problem auf. Der allmähliche Druckverlust im Druckluftleitungssystem deutet auf ernstere Probleme hin, die sich einige Minuten später zu einem vollständigen Druckverlust in der Leitung ausweiten, der den Einsatz aller Druckluftwerkzeuge verhindert. Die Produktion steht still und ein Wettlauf mit der Zeit beginnt. Jede Stunde kostet den Hersteller eine beträchtliche Menge an Geld. Diese wenig beneidenswerte Situation wird durch den Ausfall des Druckluftkompressors verursacht.
Eine frühzeitige Wartung hätte dies alles verhindern können
Die Signale, die auf diese Störung hinwiesen, traten bereits Wochen vor diesem Ereignis auf. Aber für diesen Teil der Anlage wurden keine Instrumente zur frühzeitigen Fehlererkennung eingesetzt. Vielleicht fallen Ihnen Dutzende ähnlicher Situationen ein, die Ihr Unternehmen erhebliche finanzielle und zeitliche Aufwendungen kosten könnten. Welche Maßnahmen hätten ergriffen werden können, um dies zu verhindern? Bei der Zustandsüberwachung werden die Parameter von Maschinen wie Temperatur, Vibrationen, Druck, Strom usw. gemessen, um Ausfälle zu erkennen und zu verhindern.
Nicht nur Überwachung, sondern richtige Diagnose
Man könnte argumentieren, dass man eine Reihe von Sensoren zur Überwachung seiner kritischen Infrastrukturen einsetzt. Nun, das ist ein guter Ansatz. Aber bei einer so großen Datenmenge ist die Suche nach verschiedenen Ausreißern wie die Suche nach einer Nadel im Heuhaufen. Um dieses Problem zu lösen, muss die herkömmliche Zustandsüberwachung mit Data Science und maschinellem Lernen kombiniert werden.
Was bedeutet Anomalie?
Im Zusammenhang mit der Zustandsüberwachung ist auch von Anomalien die Rede. Eine klassische Definition einer Anomalie stammt von Douglas Hawkins: "Eine Anomalie ist eine Beobachtung, die so stark von anderen Beobachtungen abweicht, dass der Verdacht besteht, dass sie durch einen anderen Mechanismus erzeugt wurde."
Es gibt eine Reihe von diagnostischen Ansätzen, die zur Aufdeckung von Anomalien beitragen können. Einige davon sind im Folgenden aufgeführt.
Der Einsatz von maschinellen Lernverfahren bei der Erkennung von Anomalien ist in den letzten Jahren sehr beliebt geworden.
Allerdings sind nicht alle bekannten ML-Methoden dafür geeignet. In der realen Welt fehlen uns in der Regel genügend Daten, die den Fehlerzustand repräsentieren. Aus diesem Grund ist die Verwendung überwachter Lernmethoden, die die Eingaben auf der Grundlage vieler Beispiele im Lernprozess auf die Ausgaben abbilden, keine gute Wahl.
Eine geeignetere Methode zur Erkennung von Anomalien ist der Autoencoder.
Der Autoencoder (in der Regel ein neuronales Netz) lernt, wie der normale Betrieb im Eingabedatensatz dargestellt wird. Wenn eine Anomalie auftritt, zeigt der Autoencoder-Ausgang einen großen Rekonstruktionsfehler an.
Heutzutage wird die Zustandsüberwachung in der Regel bei größeren und teureren Maschinen eingesetzt.
Bei kleineren Anwendungen werden oft keine Vorsichtsmaßnahmen getroffen. Dieser Ansatz wird manchmal als "run to failure" bezeichnet. Das bedeutet jedoch nicht, dass die Folgen eines solchen Fehlers nicht schwerwiegend sein können.
Edge Computing oder TinyML sind Beispiele für Technologien, die auf diese Fälle abzielen.
Edge Computing ist ein Ansatz, bei dem die Datenverarbeitung so nah wie möglich am Endgerät stattfindet - das Gegenteil von Cloud Computing. Wenn Edge Computing auf stromsparender Hardware (z. B. einem Mikrocontroller) läuft und maschinelles Lernen beinhaltet, nennen wir es oft TinyML.
Dieser Ansatz kann mehrere entscheidende Vorteile bieten, die für kleinere oder abgelegene Anwendungen nützlich sind.
- Es kann im Offline-Modus ausgeführt werden
- Es hat geringere Implementierungskosten
- Es hat eine geringe Verarbeitungslatenz
- Sie bietet mehr Sicherheit
Die Chip-Hersteller haben erkannt, dass TinyML in den kommenden Jahren ein schnell wachsendes Segment sein wird. Daher haben viele damit begonnen, spezielle KI-Prozessoren anzubieten, die die energieeffiziente Ausführung von ML-Algorithmen unterstützen.
Um einen praktischen Leitfaden für die TinyML-Welt zu bieten, sehen wir uns einige Beispiele für Entwicklungsplatinen an, die die Verarbeitung von ML-Algorithmen mit geringem Stromverbrauch unterstützen:
Dev. Board typ: MAX78000FTHR
Hersteller: Maxim Integrated
Chip- typ: MAX78000
Eingebaute Sensoren: Kamera, Mikrofon
Der MAX78000FTHR ist eine schnelle Entwicklungsplattform, die Ingenieuren bei der schnellen Entwicklung von Ultra-Low-Power-Lösungen für künstliche Intelligenz (AI) unter Verwendung des MAX78000 Arm Cortex-M4F-Prozessors mit einem integrierten Convolutional Neural Network-Beschleuniger hilft
Dev. Board typ: Dev Board Micro
Hersteller: Google
Chip- typ: Coral Edge TPU
Eingebaute Sensoren: Kamera, Mikrofon
Das Coral Dev Board Micro ist ein Mikrocontroller-Board mit eingebauter Kamera, Mikrofon und Coral Edge TPU, das es Ihnen ermöglicht, schnell Prototypen zu erstellen und stromsparende eingebettete Systeme mit geräteinternem ML-Inferencing einzusetzen.
Dev. Board typ: TinyML board
Hersteller: Syntiant
Chip- typ: NDP100
Eingebaute Sensoren: IMU, Mikrofon
Das Tiny Machine Learning (TinyML) Development Board von Syntiant ist die ideale Plattform für die Entwicklung von stromsparenden Sprach-, Akustik-Ereignis-Erkennungs- und Sensor-ML-Anwendungen.
Dev. Board typ: AI Sensor Board
Hersteller: Eta Computer
Chip- typ: ECM3532
Eingebaute Sensoren: Kamera, Mikrofon, Lichtsensor
Das ECM3532 AI Sensor Board ist eine Ultra-Low-Power-KI-Plattform mit Sensoren, die viele Algorithmen ausführen können: Geräuschklassifizierung, Keyword-Spotting, Aktivitätsklassifizierung, Context Awareness, Fehlererkennung und andere.
Die oben aufgeführten Plattformen enthalten einen stromsparenden Mikrocontroller und einen Hardware-Beschleuniger, der stromsparende Convolutional Neural Networks Inferenzen unterstützt. Er kann als All-in-One-Chip (MAX78000, ECM3532) oder aufgeteilt in eine Steuer-MCU und einen separaten Beschleunigerchip gebaut werden.
Alle diese Boards enthalten bereits Sensoren wie eine Kamera, ein Mikrofon oder einen Beschleunigungsmesser und unterstützen natürlich auch den Anschluss zusätzlicher externer Sensoren.
Aufgrund des geringen Stromverbrauchs ist es möglich, diese Platinen nur mit einer Batterie zu betreiben und/oder sie mit Energy Harvesting zu kombinieren. Wir können auf einfache Weise verschiedene intelligente Sensoren bauen, die immer einsatzbereit sind und auch bei der Wartungsvorhersage zum Einsatz kommen. Solche Hardware ermöglicht den einfachen Einsatz von KI und maschinellem Lernen in Anwendungen, bei denen die Kosten in der Vergangenheit ein großes Hindernis darstellten. Zusammen mit dem Internet der Dinge bildet sie einen der Eckpfeiler der Industrie 4.0.
Hier bei Consilia beschäftigen wir uns auch mit dem Einsatz von KI/ML in industriellen, medizinischen und anderen Anwendungen. Wir können Fallstudien und Proof-of-Concept-Design anbieten oder die Produktentwicklung unserer Kunden in diesem Bereich direkt unterstützen. Lesen Sie mehr über unsere Dienstleistungen in der Hardware- und Softwareentwicklung.
Alle Artikel von diesem Autor
Andere interessante Themen
