KI-Modelle laufen inzwischen nicht nur in leistungsstarken Computern oder in großen Rechenzentren, sie laufen auch in Smartphones oder in embedded Systemen. Direkt in eine Sensor-Hardware integriert, lassen sich so beispielsweise die Funktionen einer SPS erweitern. Die Entwicklung von Softsensoren mit embedded KI erfordert die Kooperation verschiedener Experten an unterschiedlichen Standorten und daher auch die entsprechenden Vorgehensweisen und Werkzeuge.
Um zum Beispiel mit Hilfe einer Low-Code-Anwendung ein Formular in der IT-Welt zu digitalisieren, reichen als Datenquelle einfache Datenbankanbindungen aus. Die Anwendungsentwicklung im OT-Umfeld erfordert diesbezüglich spezielle Maßnahmen. Hier benötigen Digitalisierungsapplikationen in der Regel verschiedene Sensordaten, um eine bestimmte Aufgabenstellung mit möglichst großem Anwendernutzen zu erfüllen. Aber nicht alle Sensordatenquellen liefern so einfach zu handhabende Messwerte, wie z. B. Temperatur-, Luftdruck- oder Luftfeuchtigkeitsmessungen. Vielfach hat man es in der Praxis mit deutlich komplexeren Daten und einer aufwendigen Informationsgewinnung zu tun. Ein typisches Beispiel wäre ein Vibrationssensor, der eine dreidimensionale Beschleunigungsmessung durchführt und am Ausgang jeweils einen x-, y- und z-Messwert zur Verfügung stellt. Um mit einem solchen Sensor beispielsweise Vibrationsdaten zu erzeugen, aus denen sich ein Maschinenzustand als Information für andere Anwendungen ableiten lässt, sind sowohl spezielle Datenerfassungsmethoden (periodisches Abtasten der drei Beschleunigungsdimensionen innerhalb eines bestimmten Zeitfensters und Zusammenfassen der Daten) als auch eine umfangreiche Datenvorverarbeitung oder sogar Datenanalyse erforderlich. Dafür werden komplexe mathematische Funktionen benötigt, beispielsweise Fourier-Transformationen. In Bezug auf eine Datenanalyse zur Zustandsbestimmung (Condition Monitoring) sind häufig sogar KI-Algorithmen aus dem Bereich des maschinellen Lernens (ML) erforderlich, die mit speziellen „Lerndaten“ trainiert werden. Ein Beispiel wären künstliche neuronale Netzwerke, um Vibrationsdatenbilder zu klassifizieren. Beim derzeitigen Stand der Technik lassen sich solche Aufgaben in die Sensorik verlagern. Die Zielgröße am Sensorausgang wird dann bei einem solchen „Virtuellen Sensor“ oder „Softsensor“ nicht mehr direkt gemessen, sondern durch KI-Algorithmen berechnet.
Bild 01: Die Software für einen KI-basierten Softsensor lässt sich mit Hilfe eines Prozesses aus sieben Einzelschritten entwickeln. Die Herausforderungen dabei sind die Daten, die für das maschinellen Lernen benötigt werden, um ein zur Aufgabenstellung passendes KI- bzw. ML-Modell zu erstellen. Aus diesen Daten erlernt das Modell die erforderlichen Zusammenhänge zwischen dem gewählten Eingangsdatenbild und der jeweiligen Zielgröße am Sensorausgang.
Große Anwendungsvielfalt
KI-basierte Softsensoren bieten vielfältige Einsatzmöglichkeiten. Ein weiteres Beispiel wären Kamera- bzw. Bildsensordaten, in denen bestimmte Objekte identifiziert werden müssen (also z. B. Applikationen, die eine automatische Objekterkennung für die Sensorrohdaten benötigen). Für diese Aufgabe lassen sich spezielle neuronale Netze, sogenannte Convolutional Neural Networks (CNNs), einsetzen, die nach einem Faltungsprinzip arbeiten. Dabei entsteht insgesamt ein Sensorsystem mit einer anwendungsbezogenen Software, die KI- bzw. ML-Funktionen enthält. Die Lerndaten zum Training eines solchen virtuellen Sensors mit integriertem CNN sind in diesem Fall möglichst viele unterschiedliche Beispielbilddaten mit den zu erkennenden Objekten. Die Vorgehensweise mit einer CNN-basierten Bilderkennung eignet sich auch, um mit den Ausgangsdaten eines Bildsensors zum Beispiel bestimmte Objekte zu zählen, die den Sichtbereich der Sensoroptik passieren.
Die nächste Stufe der Entwicklung
Noch etwas anspruchsvoller wird es, wenn eine Low-Code-Applikation eine Sensorik benötigt, die auf Grund der Ausgangsdaten die Vorhersage von Wartungsterminen (Predictive Maintenance) für eine Maschine oder Anlage ermöglicht. Zur Lösung solcher Aufgabenstellungen wäre ein virtueller Sensor erforderlich, dessen KI- bzw. ML-Funktionen in der Lage sind, eine zeitliche Dimension zu berücksichtigen. Dafür lassen sich rekurrente neuronale Netze (beispielsweise LSTMs – Long-Short-Term Memorys) in eine virtuelle Sensorik integrieren. Derartige Softsensoren erlernen beispielsweise aus historischen Datenbeständen einen Zusammenhang zwischen Ein- und Ausgangsdaten mit Zeitbezug und können anschließend im Praxiseinsatz einen diskreten (virtuellen) Messwert an die Low Code-Anwendung liefern, mit dem sich ein Wartungstermin bestimmen lässt.
Um komplexe Sensordaten mit einer Low-Code-Applikation oder einem Steuerungssystem zu nutzen, eignen sich auch Methoden aus dem Bereich der Sensorfusion, also Prozesse, um Rohdaten mehrerer Sensoren mit Hilfe geeigneter Algorithmen zusammenzuführen. Dabei werden verschiedene Techniken eingesetzt, beispielsweise Kalman- und Bayes-Filter, Fuzzy-Logik sowie spezielle neuronale Netze. Insgesamt geht es darum, Sensordaten aus unterschiedlichen Quellen zu kombinieren, um einer Anwendung genauere Informationen zu liefern bzw. die Komplexität der Sensorik außerhalb einer Low Code-Anwendung zu kapseln.
Bild 02: Mit Hilfe eines Softsensors, der ein KI- bzw. ML-Modell mit rekurrenten neuronalen Netzen nutzt, lässt sich im Inferenzbetrieb über die erfassten Nutzungsdaten der nächste Wartungstermin recht genau vorhersagen. Für die Entwicklung des Modells werden Zeitreihendaten verwendet, die über einen möglichst langen Zeitraum erfasst wurden. Je größer die Datenmenge und -qualität in der Trainingsphase ist, desto genauer sind die Prognosen des ML-Modells
Der Weg zum Ziel
Die erforderliche Software für einen KI-basierten Softsensor lässt sich mit Hilfe eines Prozesses aus den hier folgenden sieben Einzelschritten entwickeln:
- Anwendungsbezogene Datenerfassung: Echte Zustands- bzw. Betriebsdaten in der Zielumgebung erfassen und in einem Datenpool speichern. Für die weitere Entwicklung wird eine ausreichende Menge an qualitativ hochwertigen Daten benötigt, aus denen ein KI- bzw. ML-Modell in einer Trainingsphase die Zusammenhänge erlernen kann.
- Anwendungsbezogene Merkmalsauswahl: Analyse der erfassten Daten. Auswahl geeigneter Merkmale, die in das Eingangsdatenbild des Softsensors übernommen werden. Bestimmen der Korrelationen zur erforderlichen Zielgröße am Softsensorausgang.
- ML-Modell Entwicklung: Ausreichend Prozesswissen sammeln und auswerten. Finales Eingangsdatenbild festlegen und die jeweils erforderlichen Datenvorverarbeitungsschritte auswählen. Passendes Modell entwerfen und geeignete Algorithmen aussuchen, um aus dem Eingangsdatenbild die jeweilige Zielgröße zu gewinnen. Werkzeugadaption vorbereiten, z. B. ein Data Exploration Tool (DET) erstellen.
- ML-Modell Training: Aus dem Datenpool passende Trainingsdaten aufbereiten und das ML-Modell in einer Trainingsphase erstellen. Integration des Codes für das ML-Training in das jeweilige DET, um Trainingswiederholungen zu ermöglichen.
- ML-Modell Test und Integration: Passenden Inferenzcode erstellen. Aus dem Datenpool geeignete Testdaten aufbereiten und das neu erzeugte ML-Modell mit diesem Datenset validieren. Bei einem unzureichenden Testergebnis müssen die Prozessschritte zuvor teilweise oder vollständig erneut durchlaufen werden. Ist das Ergebnis zufriedenstellend, erfolgt die Integration des Modelltests in das DET (Werkzeug finalisieren, um neue ML-Modellversionen per DET zu erzeugen und auszutesten).
- Praxiseinsatz des Softsensor: Inferenzcode und ML-Modell in die Zielumgebung integrieren und möglichst unter Ende-zu-Ende-Bedingungen testen. Für diesen Prozessschritt sollte eine geeignete Test- und Debug-Umgebung bzw. entsprechende Werkzeugauswahl zum Einsatz kommen. Des Weiteren sollten Inferenzcode und Modell mit Hilfe des DET über eine Over-the-Air (OTA)-Updatemöglichkeit austauschbar sein. Dabei sind die jeweiligen Cybersecurity-Anforderungen zu beachten (z. B. Einsatz von Modellsignaturen).
- Monitoring plus CI/CD Pipeline-Einsatz: Den Betrieb des KI-basierten Softsensors fortlaufend mit Hilfe eines geeigneten Monitorings überwachen und bei Bedarf per DET die erforderlichen Updates erstellen, austesten und zum Einsatz bringen. Aufsetzen einer Softwarewartungs (CI/CD)-Pipeline.
Umsetzung in der Zielumgebung
Die Entwicklung beginnt mit der Datenerfassung in der Zielumgebung. Die Sensorhardware wird dafür mit einer speziellen Testbed-Firmware ausgestattet, die alle Sensor-intern zur Verfügung stehenden Messdaten periodisch an ein Entwicklungssystem liefert (siehe „Entwicklungs-Box“ in Bild 01). Damit wird ein Datenbestand geschaffen, der sich analysieren lässt, um das erforderliche Datenverständnis zu schaffen und das Eingangsdatenbild für das KI- bzw. ML-Modell festzulegen. Wichtig ist, dass alle an der Entwicklung beteiligten Experten einen gemeinsamen (Fern-) Zugriff auf die Rohdaten und Datenanalyseergebnisse haben – die KI-Modellentwicklung für einen Softsensor ist eine Teamleistung und erfordert eine intensive kooperative Zusammenarbeit verschiedener Experten an unterschiedlichen Standorten.
Der Inferenzbetrieb der jeweiligen KI-Modellvariante lässt sich auf der Entwicklungs-Box über einen längeren Zeitraum austesten. Dabei werden die Zielgrößen beispielsweise an eine Steuerung oder Low-Code-Digitalisierungsanwendung weitergeleitet und dort genutzt. Bei zufriedenstellenden Ergebnissen erfolgt die finale Modellintegration in den Softsensor und der Praxiseinsatz. Die Entwicklungs-Box wird dann nicht mehr benötigt (Bild 02).
Autor: Klaus-Dieter Walter, CEO, SSV Software Systems GmbH in Hannover
Text-/Bildquelle: SSV
