TOP
Ho-Ho-Ho!
KI-basierte Sensorik für die Digitalisierung

Unsere Softsensoren unterstützen Sie bei Ihren Digitalisierungsaufgaben. Sie erfassen ein Eingangsdatenbild von Maschinen, Anlagen oder Prozessen, werten dieses KI-basiert aus und liefern z. B. Ihren Low-Code-Anwendungen die passenden Zielgrößen.

Ein Softsensor, auch virtueller Sensor oder Sensorfusion genannt, ist kein klassischer real existierender, physischer Hardware-Sensor, sondern eine Modell-basierte Verknüpfung von stellvertretenden Messgrößen zu einer Zielgröße.

Softsensoren berechnen dabei die gewünschte Zielgröße als Ausgangswert aus verschiedenen zu ihr korrelierenden Eingangsvariablen.

Das Eingangsdatenbild kann aus Messdaten einzelner Hardware-Sensoren (wie unser MLS/160A), aber auch Messwerten bzw. Variablen aus anderen Quellen bestehen. Wichtig ist, dass eine mathematisch beschreibbare Wechselbeziehung zwischen den einzelnen Eingangsvariablen und der Zielgröße existiert.

Mit Hilfe des maschinellen Lernens (ML), also einem Teilbereich der KI, lassen sich sehr leistungsfähige Softsensoren für verschiedene Anwendungsbereiche erstellen.

Intelligente Daten für Low-Code-/SCADA-Anwendungen

Die Ergebnisse der Datenauswertung eines Softsensors können dann von einer Low-Code-Anwendung im Produktionsbereich innovativer Fabriksysteme genutzt werden, z. B. für Predictive Maintenance, Machine Vision, Steuerung von Lagersystemen,

zum Betrieb autonomer Fahrzeuge sowie für verschiedenste Zustandsüberwachungen, wie einer Füllstandskontrolle per Ultraschallsensorik oder dem Condition Monitoring eines bestimmten Funkspektrums uvm.

Softsensor in der Praxis

Cybersicherheit für IoT-Endpunkte

Wir haben ein KI-basiertes Embedded Intrusion Detection System (IDS) auf Basis eines Softsensors entwickelt, mit dem ressourcenlimitierte Embedded Systeme mittels KI in der Lage sind, Netzwerkverkehr zu überwachen und Anomalien zu identifizieren und zu melden.

So lassen sich Cyberangriffe in einer frühen Phase erkennen und rechtzeitig Abwehrmaßnahmen in die Wege leiten.

Zur Produktseite

Embedded IDS

Drei Beispiele für einen Softsensor

Gateway als Softsensor

Hier geschieht die Datenerfassung des Eingangsdatenbilds durch (klassische) externe Sensoren und/oder Schnittstellenverbindungen zu internen Steuerungen von Maschinen und Anlagen.

Auf einem Gateway sind die nötigen Softwarekomponenten, wie die sog. Inferenz Engine zur Datenauswertung per ML, installiert und entsprechend konfiguriert.

Abb. 1: Gateway als Softsensor

Condition Monitoring einer Produktionsmaschine

Das Eingangsdatenbild des Softsensors bilden verschiedene MEMS-Sensoren mit 3D-Beschleunigungsdaten. Als Zielgrößen werden (virtuelle) Ereignis- und Betriebsstundenzähler geliefert.

Mit dieser Lösung lassen sich bspw. die Wartungstermine einer Maschine optimieren.

Embedded Softsensor

Hier ist die Laufzeitumgebung des Softsensors kein externes Gateway sondern ein direkt in der Maschine oder Anlage integriertes Embedded System.

Das Eingangsdatenbild entsteht hier durch die Daten der internen Sensoren und Steuerungen.

Abb. 2: Embedded Softsensor

Automatisches Energiemanagement

In diesem Szenario wird aus Maschinenzuständen und Umgebungsdaten eine Zielgröße gebildet, die in einer Low-Code-Anwendung z. B. mit einem variablen Strompreis verknüpft wird, um ein Feedback-Signal für einen Leistungs-Modulationseingang zu erzeugen.

Funksensoren als Quelle für Softsensor

Natürlich können die Daten für den Softsensor auch drahtlos erfasst werden.

In diesem Beispiel entsteht das Eingangsdatenbild durch Funksensoren bzw. ein Wireless Sensor Network (WSN).

Abb. 3: Funksensoren als Quelle für Softsensor

Klimaregelung von Gewächshäusern

Das Eingangsdatenbild bilden Messwerte zu Temperaturen, Luftfeuchte, Licht, Wind, Regen etc.

Als Zielgröße wird ein Datenvektor zur Ansteuerung von Beleuchtung, Heizung, Pumpen und anderen Aktoren geliefert. Des Weiteren erzeugt der Softsensor ein Alarmsignal.

In sieben Schritten zum KI-basierten Softsensor

Für die Entwicklung KI-basierter Softsensoren haben wir einen praxiserprobten Prozess aus sieben Schritten konzipiert, mit dem sich Softsensoren passgenau für das jeweilige Anwendungsszenario erstellen lassen.

Die Kernkomponente dieses Entwicklungsprozesses ist ein von uns entwickeltes Werkzeug, das SSV Data Exploration Tool, kurz SSV/DET. Damit werden u. a. ML-Modelle trainiert, erzeugt und getestet.

Prozessschritt Beschreibung

1.

Anwendungsbezogene Datenerfassung Echte Zustands- bzw. Betriebsdaten in der Zielumgebung erfassen und in einem Datenpool speichern. Für die weiteren Schritte wird eine ausreichende Menge qualitativ hochwertiger Daten benötigt, aus denen ein ML-Modell die entscheidenden Zusammenhänge erlernt.

2.

Anwendungsbezogene Merkmalsauswahl Analyse der erfassten Daten und Auswahl geeigneter Merkmale für das Eingangsdatenbild des Softsensors. Bestimmen der Korrelationen zur gewünschten Zielgröße am Softsensorausgang.

3.

ML-Modell-Entwicklung Ausreichendes Prozesswissen sammeln und auswerten. Finales Eingangsdatenbild festlegen und die jeweils erforderlichen Datenvorverarbeitungsschritte auswählen. ML-Modell entwerfen und passende Algorithmen aussuchen, um aus dem Eingangsdatenbild die gewünschte Zielgröße zu gewinnen. Adaption des SSV/DETs vorbereiten.

4.

ML-Modell-Training Aus dem Datenpool passende Trainingsdaten aufbereiten und in einer Trainingsphase das ML-Modell erstellen. Integration des ML-Trainings-Codes in das jeweilige SSV/DET, um Trainingswiederholungen zu ermöglichen.

5.

ML-Modell-Test und Integration Inferenzcode erstellen. Aus dem Datenpool geeignete Testdaten aufbereiten, um damit das ML-Modell zu validieren. Bei unzureichendem Testergebnis die vorherigen Schritte teilweise oder vollständig erneut durchlaufen. Bei gutem Ergebnis den Test in das SSV/DET integrieren, um künftig neue Modellversionen per SSV/DET erzeugen und testen zu können.

6.

Praxiseinsatz des Softsensors Inferenzcode und ML-Modell in die Zielumgebung integrieren und möglichst unter Ende-zu-Ende-Bedingungen testen. Dafür sollte eine geeignete Test- und Debug-Umgebung bzw. Werkzeugauswahl zum Einsatz kommen. Des Weiteren sollten Inferenzcode und Modell mit Hilfe des SSV/DET über eine OTA-Updatemöglichkeit austauschbar sein. Dabei sind die jeweiligen Cybersecurity-Anforderungen zu beachten, z. B. durch Modellsignaturen.

7.

Softsensor CI/CD-Pipeline Aufsetzen einer CI/CD-Pipeline. Den Betrieb des KI-basierten Softsensors fortlaufend überwachen und bei Bedarf per SSV/DET die erforderlichen Updates erstellen, testen und einsetzen.

On-Demand-Webinar

Low-Code-Anwendungen mit KI-basierten Softsensoren

Wenn Sie mehr zum Thema Softsensoren erfahren möchten, dann nutzen Sie gerne unser kostenloses On-Demand-Webinar, in dem wir u. a. folgende Fragen beantworten:

  1. Was ist ein Softsensor und wie ist er aufgebaut?
  2. Wofür benötigt ein Softsensor die KI?
  3. Wie sieht der Entwicklungsprozess eines Softsensors aus?
  4. Wie sehen typische Anwendungsbeispiele für Softsensoren aus?

Selbstverständlich gehen wir während des Webinars auch gerne auf Ihre individuellen Fragen ein!

Die geplante Dauer des Webinars beträgt ca. 60 Minuten.

Jetzt Termin vereinbaren!

Weitere Services durch Docker Container

In vielen Fällen benötigen die Softsensor-Anwendungen verschiedene Unterstützungsfunktionen, für die wir sogenannte Service Docker Container anbieten.

Der SDU Docker Container (SDU = Secure Device Update) ermöglicht sichere OTA-Updates (OTA = Over-the-Air), um bspw. das ML-Modell eines Softsensors zu aktualisieren.

Mit unserem WRD Docker Container (WRD = Wireless Remote Debugging) lassen sich Remote Debug-Verbindungen aufbauen.

Damit können Softsensoren ganz bequem direkt vom Schreibtisch aus der Ferne in der realen Anwendungsumgebung getestet werden.

Docker-Container für Softsensor

SSV/ITB: Dezentrales Testbed für IoT-Datenevaluierungen

Für die Entwicklung eines geeigneten Machine Learning-Modells werden hochwertige Daten in ausreichender Menge benötigt. Diese Daten lassen sich zwar synthetisch in einer Entwicklungs- oder Laborumgebung erzeugen, der praktische Nutzen solcher Simulationsdatensätze ist in industriellen IoT-Applikationen allerdings sehr gering. Um direkt in einer OT-Umgebung die erforderlichen Daten für den jeweiligen

Anwendungsfall zu erfassen, aufzubereiten und zu evaluieren, bieten wir ein dezentrales Testbed als Dienstleistung an. Dieses IoT Data Evaluation Testbed (SSV/ITB) wurde speziell für KI-basierte Softsensor-Lösungen entwickelt. Es eignet sich besonders für alle IoT-Applikationen, in denen Sensordaten von Maschinen, Anlagen und Prozessen für die Nutzung in einem Backend-System erforderlich sind.

Zusammenhänge im dezentralen Testbed

SSV/ITB: Dezentrales Testbed für IoT-Datenevaluierungen

Abb. 5: Zusammenhänge des IoT Data Evaluation Testbed (SSV/ITB)

In diesem Beispiel ist das Ziel die Entwicklung einer Low-Code-Anwendung (1), um selektive Vorgänge innerhalb einer OT-Umgebung (2) zu überwachen, in bestimmten Situationen einen Wartungstermin für einen Servicetechniker zu koordinieren und in einen elektronischen Terminkalender einzutragen. Die gesamte Anwendung digitalisiert einen manuellen Überwachungs- und Terminplanungsvorgang.

Die Datenaspekte: Der jeweilige Ist-Zustand in der OT-Umgebung (also der Testbed-Zielumgebung für die Datenevaluierung) soll mit einer geeigneten Sensorik gemessen werden (bspw. mit Hardware-Sensoren oder durch den Zugriff auf Steuerungsdaten). Die dadurch entstehenden Ausgangsdaten, also die Zielgrößen des Softsensors, müssen sich problemlos durch die Low-Code-Anwendung verarbeiten lassen. Diese Anforderung lässt sich mit einem KI-basierten Softsensor (3) erfüllen.

Die Vorbereitung: Für den Entwurf des Softsensors wird eine Datenevaluierung mit einem passenden (Distributed) Testbed eingeplant. Dabei kommt eine Mobile Testbed Unit (MTU) vor Ort an der Datenquelle zum Einsatz.

Sie wird über Schnittstellen und Sensoren mit der OT-Umgebung verbunden (4), um ein zur Aufgabenstellung passendes Eingangsdatenbild zu erfassen. Die MTU ist des Weiteren über eine Mobilfunkschnittstelle mit einem Cloudservice (5) gekoppelt.

Die Kooperationsphase: Mit Hilfe des Cloudservice kann ein multidisziplinäres Team aus SSV-Datenexperten und dem Anwender iterativ das Eingangsdatenbild festlegen, Datenanalysen durchführen und ein passendes Modell bzw. einen KI-Algorithmus entwerfen, um die Zielgröße für die Low-Code-Anwendung zu erzeugen.

Sie haben noch Fragen?

Falls Sie noch Fragen rund um das Thema Softsensorik haben, hilft Ihnen unser Vertriebsteam gerne weiter!

Telefon: 0511 · 40 000-34

E-Mail: sales@ssv-embedded.de

SSV SOFTWARE SYSTEMS

Dünenweg 5
30419 Hannover

Fon: +49(0)511 · 40 000-0
Fax: +49(0)511 · 40 000-40

sales@ssv-embedded.de


Impressum    ·    Datenschutz    ·    AGB

© 2025 SSV SOFTWARE SYSTEMS GmbH. Alle Rechte vorbehalten.

ISO 9001:2015