Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Künstliche Intelligenz 40 Trend Guide Industrie 4 0 IIoT KI 2025 www markttechnik de Daten da es durch seine rückgekoppelte Struktur sowohl langfristige als auch kurzfristige Muster in sequenziellen Signalen erfassen kann Allerdings erfordert der Einsatz von LSTM-AD eine größere Menge an Trainingsdaten sowie eine aufwendigere Modellanpassung und ist damit auch rechenintensiv Im Gegensatz dazu bieten Autoencoder einen effizienteren Ansatz zur Anomaliedetektion da sie versuchen Eingabedaten möglichst originalgetreu zu rekonstruieren Weicht das rekonstruierte Signal stark vom Original ab kann dies auf eine Anomalie hinweisen Autoencoder sind besonders gut geeignet wenn es sich um stationäre Vibrationsdaten handelt also Daten deren Muster sich über die Zeit wenig verändern Sie sind einfacher zu trainieren als LSTM-Modelle eignen sich jedoch weniger für stark zeitabhängige oder dynamisch veränderliche Zustände Mit allen Methoden lassen sich Abweichungen von Normalzuständen in Daten erkennen Die Singulärwertzerlegung ist eine robuste Methode zur Dimensionsreduktion und zur Identifikation neuartiger Muster in linearen Daten Algorithmen zur Anomaliedetektion sind flexibler und leistungsfähiger bei der Analyse komplexer oder nichtlinearer Systeme Sie können jedoch rechenintensiver sein und erfordern eine sorgfältige Parametrierung Demonstratoren Um eine mögliche Anwendung im industriellen Umfeld zu veranschaulichen wurden Algorithmen für zwei Szenarien in zwei Demonstratoren implementiert Bild 3 Der einfache k-Means-Algorithmus wurde direkt auf einem kleinen energieautarken Sensorsystem als lokale KI implementiert und mit einem Demonstrator zum Lüftermonitoring als Beispiel für die Überwachung von Lagern evaluiert Der Sensor kann auf den Zustand des einen intakten Lüfters trainiert werden Ein weiterer »intakter« und ein »defekter« Lüfter können dann entsprechend erkannt und klassifiziert werden ohne dass die Daten vorher aufgezeichnet wurden Angezeigt wird das Ergebnis über eine grüne und rote LED Eine komplexere leistungsfähigere Anomalie-Detektion wurde in einem energieeffizienten Edge-KI System mit lokaler Vorverarbeitung auf dem Sensorknoten und Anomalie-Detektions-Algorithmen auf dem Edge-Device mit einer Datenverarbeitung anhand der Überwachung von Vibrationen auf einem Shaker demonstriert Der Sensorknoten ist auf dem Erregersystem montiert Mit dem System kann nun ein Gutzustand trainiert werden Der Sensorknoten erfasst zyklisch das Vibrationssignal was von ein Mal pro Sekunde bis zu ein Mal pro Stunde einstellbar ist und überträgt es zu dem Edge-Device in dem Fall ein Raspberry Pi ohne Cloud-Zugang Auf diesem werden dann Abweichungen vom Gutzustand detektiert und per Dashboard im Browser auf einem Tablet visualisiert Wird nun das erzeugte Schwingungssignal verändert werden diese Änderungen detektiert und grafisch angezeigt KI-Monitoring mit wenig Aufwand Die vorgestellten Ergebnisse helfen Aufwand und Kosten beim Implementieren von KIbasiertem Monitoring zu senken Vibrationssensoren standen im Fokus Sie sind gängige Praxis zur Erfassung von Maschinenzuständen Einfache Algorithmen wie ein Clustering wurden in einem Mikrocontroller implementiert um zu zeigen dass diese sich direkt auf Ultra-Low-Power-Sensorik ausführen lassen Für komplexere Aufgaben müssen Daten vom Sensorknoten zu einem Edge-Device übertragen werden auf dem die KI-Algorithmen laufen Dafür wurden Kompressionsalgorithmen untersucht und auf dem Sensorknoten implementiert um dessen Batterien zu schonen da nur die benötigten Daten an das Edge-Device gesendet werden Es wurde gezeigt dass sowohl das Training als auch die Inferenz also die KIbasierte Schlussfolgerung direkt auf dem Sensorknoten oder bei komplizierten Algorithmen auf Edge-Devices wie einem Raspberry Pi ohne Cloud-Zugang implementierbar sind uh ■ Das Institut für Mikroelektronikund Mechatronik-Systeme arbeitet gemeinnützig als F E-Partner für Anwendungsentwicklungen von Unternehmen u a in Kooperation mit der TU Ilmenau Die im Beitrag vorgestellten Systeme wurden in der internen vom Freistaat Thüringen geförderten KI-Forschungsgruppe des IMMS und im Projekt HoLoDEC entwickelt Das IMMS ist bestrebt Weiterentwicklungen voranzubringen und sucht dafür nach Anwendungspartnern Das diesem Bericht zugrunde liegende Vorhaben HoLoDEC wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 16ME0703 gefördert Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor uh Über das IMMS Förderung Bild 3 Demonstratoren in die Algorithmen für zwei Szenarien implementiert wurden um mögliche Industrieanwendungen zu veranschaulichen Für beide wurden die baugleichen drahtlosen Sensorknoten genutzt