Juni 2022

KI-Retrofit für Steuerungen: Condition Monitoring für Antriebselemente mit TinyML – Vortrag von SSV

Die Konferenz, die die Fachmedien DESIGN&ELEKTRONIK sowie Markt&Technik am 11. Oktober 2022 im Holiday Inn City Centre München veranstalten, deckt inhaltlich alle wichtigen Themen rund um die Entwicklung und Konzeption von Anwendungen, Diensten und Geräten für das Internet of Things (IoT) ab.

Vortrag von SSV

Unzählige Steuerungslösungen in Maschinen und Anlagen berücksichtigen nur unzureichend den aktuellen Zustand der mechanischen Komponenten eines Antriebsstrangs, wie z. B. die Abnutzung von Motoren, Lager, Lüfter, Pumpen usw.

Das gesamte Verhalten einer Steuerung lässt sich grundlegend verändern, wenn eingangsseitig nicht nur die klassische Führungsgröße zur Verfügung steht, sondern beispielsweise auch eine kategoriale Variable zum Zustand der Antriebsstrangkomponenten in der jeweiligen Steuerstrecke.

Qualitativ hochwertige Condition-Monitoring-Eingangsdaten ermöglichen ein intelligentes Systemverhalten. Die Regel- bzw. Steuergröße am Steuerungsausgang lässt sich dynamisch an den aktuellen Zustand der Mechanik anpassen. Störungen, wie z. B. die Unwucht eines rotierenden Bauteils, akustische Anomalien auf Grund eines Lagerschadens im Frühstadium, thermische Auffälligkeiten eines Schleifringkörpers, ein komplett ausgefallenes Antriebselement und andere verschleißbedingte Störgrößten der Steuerstrecke werden rechtzeitig erkannt und lassen sich durch die SPS-Software berücksichtigen.

Der Beitrag zeigt auf, wie sich mit Hilfe verschiedener Sensoren die erforderlichen Echtzeit-Rohdaten zur Zustandsbestimmung erfassen lassen, um die Führungsgröße einer Steuerung mit hochwertigen Condition-Monitoring-Daten zu erweitern. Als Sensorelemente lassen sich beispielsweise kapazitive MEMS-basierte Inertialsensoren zur Messung von Beschleunigung und Winkelgeschwindigkeit oder Infrarot-Sensorarrays zur Temperaturmessung in Flächen einsetzen.

In beiden Fällen entstehen mehrdimensionale Daten, die sich besonders für die Analyse per Supervised Machine Learning (ML) eignen. Dabei wird per Regression oder Klassifizierung eine kategoriale Zustandsvariable berechnet, die sich an einen SPS-Eingang weiterleiten lässt.

Da der ML-Einsatz zur Echtzeit-Sensordatenanalyse in direkter Nähe von Sensorik und Steuerung erfolgen soll (also nicht irgendwo in einer Cloud oder auf einem zentralen, hochperformanten Edge-System), sind besondere Softwarebausteine notwendig, mit denen sich eine Inferenzfunktion erstellen lässt, die auf ressourcenbeschränkten Mikrorechnern ablaufen kann.

Insgesamt soll der Vortrag daher die folgenden drei Fragen beantworten:

1. Wie ist die Vorgehensweise beim Einsatz eines Supervised-Machine-Learning-Algorithmus, um aus mehrdimensionalen Sensordaten eine Condition-Monitoring-Eingangsvariable für Steuerungen zu erzeugen?
2. Was ist bei der Machine-Learning-Modellbildung zu beachten und was sind die typischen Fehler in der Praxis?
3. Wie sieht ein typisches Beispiel aus und warum sollte man TensorFlow, TensorFlow Lite bzw. TinyML als Softwarebausteine für das maschinelle Lernen einsetzen?

 

• Sprecherin: Henrike Gerbothe
• Datum: Dienstag, 11.10.2022
• Uhrzeit: 12:00 bis 12:30 Uhr
• Ort: Holiday Inn City Centre München

 

Anmeldung

Hier finden Sie alle Informationen zur Konferenz Internet of Things und zur Anmeldung.

 

 

Übersicht News