3-2020

Sensoren Sensordaten zur

Sensoren Sensordaten zur KI-Wissensbildung Mit Hilfe geeigneter Algorithmen aus dem Umfeld der Künstlichen Intelligenz (KI) lässt sich die Entwicklung einer Sensorikanwendung erheblich verbessern. Die größte Herausforderung ist allerdings das Bereitstellen geeigneter Sensordaten, die als gelabelte Trainingsdaten zur Modellbildung von den KI-Algorithmen benötigt werden. Mit PyDSlog steht jetzt ein Softwarebaukasten mit einer Python-Bibliothek und C/C++-Code zur Verfügung, der den gesamten Entwicklungs-Workflow deutlich erleichtert. logen Rohdaten der einzelnen Sensorelemente und liefert anhand eines programmierten Regel-basierten Messverfahrens (z. B. welche Frequenzen und Amplituden sind jeweils zulässig?) das gewünschte digitale Ausgangssignal. Klassische Firmware-Entwicklungen sind in der Regel recht aufwändig und über die gesamte Produktlebensdauer betrachtet, relativ inflexibel. Jede noch so kleine Änderung der Anforderungen löst einen neuen Entwicklungszyklus aus. Durch die zahlreichen Weiterentwicklungen im Bereich der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) ist nun ein weiterer Lösungsansatz möglich: Zwischen die Ein- und Ausgangsdaten eines Mikrorechners wird ein lernfähiger Algorithmus geschaltet und mittels spezieller Trainingsdaten für eine bestimmte Aufgabenstellung konfiguriert. Dabei entsteht ein mathematisches Modell, das den jeweiligen Zusammenhang der Ein- und Ausgänge abbildet. Anforderungsänderungen werden durch eine erneute Trainingsphase und mit Hilfe zusätzlicher Referenzdaten umgesetzt. Grundsätzlich lässt sich mit dieser Vorgehensweise jedes Problem, dessen Zusammenhang zwischen Ein- und Ausgängen durch ein mathematisches Modell beschreibbar ist, lösen. Bild 1: Der Einsatz von Machine-Learning-Algorithmen für eine Sensorikanwendung besteht aus zwei Phasen. In einer Trainingsphase werden aus den zu einer bestimmten Anwendung gehörenden Sensoren zunächst Historiendaten mit Merkmalsvektoren in einer CSV-Datei gesammelt und anschließend zur Modellbildung genutzt. In der anschließenden Inferenzphase wird jeweils ein einzelner Merkmalsvektor mit Echtzeitsensordaten an Hand des mathematischen Modells per Supervised Machine Learning analysiert und dabei z. B. klassifiziert. Autor: Klaus-Dieter Walter, CEO SSV Software Systems GmbH www.ssv-embedded.de Die Problematik In unzähligen Sensorsystemen wird eine in speziellen Hochsprachen erstellte Firmware genutzt, die den jeweils gewünschten Zusammenhang zwischen Ein- und Ausgangssignalen anhand von statischen Regeln herstellt, die auf lexikalisches Wissen basieren. Ein typischer Anwendungsfall wäre beispielsweise eine komplexe Sensorikapplikation zur Zustands überwachung der elektrischen Antriebe einer Maschine mit Hilfe einer Stromsensorik: Die Embedded-Systems-Firmware im Sensorsystem verarbeitet die ana- Input für den Data Scientisten Ein Supervised-Machine-Learning- Projekt in der industriellen Sensorik, also im Umfeld von Maschinen und Anlagen, ist ein relativ komplexes Vorhaben, für das umfangreiches Spezialwissen aus unterschiedlichen Disziplinen erforderlich ist. Zur Datenanalyse, Datenvorbereitung, Algorithmenauswahl, Modellbildung und Ergebnisverifikation wird vielfach ein Data Scientist aus dem IT-Umfeld in das Projekt eingebunden. Der geht in der Regel davon aus, dass für seine Arbeit bereits ausreichend Daten in der erforderlichen Qualität zur Verfügung stehen. In der Automatisierung ist das aber sehr oft nicht der Fall – hier gibt es entweder überhaupt keine oder in Hinblick auf die zu lösende Aufgabe unbrauchbare Daten. Insofern werden dann schnell mal einige Sensoren oder ein auf den ersten Blick geeignetes Starterkit in einem Webshop bestellt und an einer Maschine installiert, um überhaupt ein paar Daten zu erfassen, mit denen der Datenwissenschaftler loslegen kann. Da sich in ML-Projektteams häufig keiner 36 PC & Industrie 3/2020

Sensoren PyDSlog PyDSlog ist ein Baukasten aus Wissens- und Softwarefunktionsbausteinen zur Aufzeichnung von beliebigen Sensormesswerten in CSV-Dateien, um die Sensorrohdaten zum einen für explorative und deskriptive Datenanalysen sowie zum anderen für das Training von ML-Algorithmen zu nutzen. Mit Hilfe des durch die Trainingsphase entstandenen Machine-Learning- Modells kann anschließend eine Inferenzmaschine im Praxiseinsatz bestimmte Muster in Echtzeitmessdaten identifizieren und Ereignisse per Klassifizierung oder Regression vorhersagen. Für die CSV-Datei wird jede einzelne Sensormessung als Zahlenwert in einem Merkmalsvektor (Feature Vector) eingefügt. Ein solcher Vektor (Array aus diskreten Zahlenwerten) repräsentiert die Messwerte an den jeweiligen Sensorikeingängen zu einem bestimmten Zeitpunkt. Mit anderen Worten: Der einzelne Merkmalsvektor beschreibt ein zeitpunktspezifisches Zustandsmuster der Sensormesswerte. Die per PyDSlog erzeugte CSV-Datei bildet somit ein Datenset aus gleichartigen Merkmalsvektoren, die zu unterschiedlichen Zeitpunkten erfasst wurden. Bild 2: Die primäre Aufgabe von PyDSlog ist das Speichern von Sensorausgangsdaten als Merkmalsvektoren (Feature Vectors) in einer CSV-Datei. Jeder Feature Vector fasst die parametrisierbaren Eigenschaften eines Zustandsmusters in Form eines Arrays einzelner Zahlenwerte zusammen, zum Beispiel die diskreten Messdaten eines Stromsensors x1 bis x500 zu den Abtastzeitpunkten t1 bis t500. Die PyDSlog-Datenerfassung erfolgt in der Regel auf einem Edge- Gateway. In den Sensoren ist eine spezielle State Machine erforderlich. Die einzelnen Bausteine Eine PyDSlog-Anwendung besteht grundsätzlich aus zwei elementaren Bausteinen, die über eine einfache Kommunikationsverbindung miteinander gekoppelt sind und jeweils folgende Merkmale aufweisen: Datenerfassung: Python-basierte Anwendung auf einem Edge-Gateway oder PC, um über die von den Sensoren erhaltenen Daten die erforderlichen Merkmalsvektoren so richtig mit Sensormerkmalen und -eigenschaften, Signalaufbereitung, Abtasttheoremen, Störgrößen, Filterschaltungen, A/D-Wandlung usw. auskennt, bekommt der Data Scientist meistens völlig „verrauschte“ und bestenfalls bzgl. der Quantität geeignete Maschinendaten geliefert, mit denen er auch nicht so richtig weiterkommt. Viele Vorhaben bleiben derzeit an dieser Stelle „hängen“ und warten auf den „richtigen“ Sensor. Um genau diese Projektphase erfolgreich zu durchlaufen, wurde PyDSlog entwickelt. Bild 3: Mit der PyDSlog-Fernsteuerschnittstelle lässt sich die Aufzeichnung von Merkmalsvektoren in einer CSV- Datei jederzeit anhalten und bei einem veränderten Zustand am Eingang der Sensorik wieder fortsetzen. Neben den Verhaltensanweisungen für Start, Stopp und Ende lässt sich ein optionales Zustandskennzeichen (Label) an PyDSlog übermitteln, das an die diskreten Sensormessdaten eines Vektors angefügt wird. Damit kann eine bestimmte Gruppe von Vektoren einem klassifizierten Zustand zugeordnet werden. PC & Industrie 3/2020 37