Herzlich Willkommen beim beam-Verlag in Marburg, dem Fachverlag für anspruchsvolle Elektronik-Literatur.


Wir freuen uns, Sie auf unserem ePaper-Kiosk begrüßen zu können.

Aufrufe
vor 2 Jahren

Einkaufsführer 2021

  • Text
  • Datenlogger
  • Qualitaetssicherung
  • Messtechnik
  • Sensorik
Einkaufsführer Messtechnik & Sensorik

Sensoren Lokale

Sensoren Lokale Sensorintelligenz per KI können. Für solche Lösungen müssen Hardware und Software sorgfältig aufeinander abgestimmt werden. Hybride Lösungen Autor: Klaus-Dieter Walter, CEO SSV Software Systems GmbH https://ssv-embedded.de Das Internet der Dinge (IoT) löste den Boom für drahtlose Sensoren aus. Nun kommt der lokale Einsatz der künstlichen Intelligenz hinzu. Dadurch verlagert sich der Schwerpunkt der IoT-Anwendungsentwicklung weg von der Cloud in Richtung Sensorik. Der damit verbundene Einsatz von Maschine Learning (ML)- Algorithmen direkt im Sensor oder in unmittelbarer Nähe der Sensorik ermöglicht neue Anwendungen. Die Problematik Es gibt zahlreiche Gründe, warum ein permanenter Sensor-to-Cloud- Datenstrom für viele Anwendungen keine gute Idee ist. Immer größere Datenmengen, unzureichende Bandbreite, lange Latenzzeiten, Datenschutzprobleme und relativ hohe Betriebskosten sind nur einige Beispiele. Trotz allem hat sich die Cloud in den vergangenen Jahren als Datenverarbeitungsplattform für IoT-Sensordaten etabliert, weil dort hochentwickelte, bedienerfreundliche und gut dokumentierte Werkzeuge und Möglichkeiten zur Datenverarbeitung existieren. Neben den Machine Learning-Funktionen aus dem Bereich der künstlichen Intelligenz (AI: Artificial Intelligence) sind ortsunabhängige Benutzerzugriffe auf die in der Cloud gespeicherten oder dort erzeugten Daten besonders wichtig. Des Weiteren bietet eine Cloud nahezu unbegrenzte Ressourcen in Bezug auf Speicherkapazität und Rechenleistung (z. B. für das Erzeugen von komplexen Machine-Learning-Modellen), die darüber hinaus sehr professionell betreut werden und sogar Lastschwankungen automatisch ausbalancieren können. Lokaler Einsatz Der lokale Einsatz von ML-Algorithmen für Edge-AI-Sensoren verfolgt einen völlig anderen Lösungsansatz: Sensordaten sollen direkt vor Ort verarbeitet werden, um (vielfach sogar in Echtzeit) die jeweils erforderlichen Informationen zu erzeugen und zur automatischen Entscheidungsfindung zu nutzen. Eine solche Edge-AI-Lösung unterscheidet sich allerdings vom Edge Computing, das vielfach auch als Edge-Cloud-Einsatz bezeichnet wird. Hier geht es in der Regel darum, einfach Cloud-Dienste auf entsprechend leistungsfähiger Hardware direkt On-Prem vor Ort zu nutzen. Teilweise werden dabei sogar die gleichen Softwareschnittstellen (APIs) wie in den jeweiligen Cloud-Anwendungen verwendet. Edge Computing ist in erster Linie ein Hardware- bzw. Plattformthema. Edge-AI-Anwendungen verfolgen eine etwas andere Zielsetzung. Es geht primär darum, leistungsfähige KI-Algorithmen auch im kleinsten Sensor-Mikrocontroller oder in unmittelbarer Nähe der Sensoren auf einem Gateway zur Echtzeitdatenanalyse und automatischen Entscheidungsfindung nutzen zu Es sind allerdings auch verschiedene hybride Lösungen möglich, in denen Edge AI-Lösungen die per Machine Learning-Algorithmen-Einsatz erzeugten Metadaten direkt an eine Cloud senden oder ein Edge- AI-Sensor als modulare Lösung eingesetzt wird (Sensorik mit Datenschnittstelle zu einem Gateway, auf dem ein zum Sensor gehörender Docker-Container mit den Sensordatenanalysealgorithmen läuft). Eine sehr dynamische Edge-AI- Entwicklung, besonders in Bezug auf Innovationen, Anwendungsvielfalt und den Bedarf an geeigneten Halbleiterchips, ist aber zunächst einmal im Bereich der drahtlosen IoT-Sensorik mit Cloud-Integration zu erwarten. Drahtlose Sensoren mit lokaler KI Die Systemintegration von drahtlosen Sensoren in IoT-Lösungen ist besonders in industriellen Anwendungen recht anspruchsvoll. Eine große Herausforderung ist nach wie vor der jeweilige Protokollstack. Er muss nicht nur für den Sensor selbst, sondern auch für das jeweils zum Einsatz kommende Gateway zur Verfügung stehen (Bild 1). Dabei sind neben den Funktionen und Schnittstellen auch die jeweiligen Lizenzmodelle zu beachten. Im Rahmen einer Entscheidungsfindung sollten sogar die hinter dem Code stehenden Entwickler bewertet werden. Schließlich erfordert eine industrielle Funksensorlösung auch für die Protokollsoftware qualifizierten Support für die kommenden 10 bis 15 Jahre. Eine Funkfirmware als Binärobjekt (Blob) aus einer intransparenten Quelle, wie für Wi-Fi- oder BLE-Implementierungen im Consumer-Bereich üblich, ist nicht in jedem Fall eine gute Wahl. IT- bzw. IoT-Security Ein weiterer wichtiger Themenkomplex für die Wireless-Sensorik einer Edge-AI-Lösung ist die ITbzw. IoT-Security. Dazu gehören zunächst einmal die Authentizi- 36 Einkaufsführer Messtechnik & Sensorik 2021

Sensoren Bild 1: Viele IoT-Anwendungen bestehen aus drei elementaren Funktionsblöcken: Der Sensorik, den Gateway-Funktionen sowie einer Cloud, z. B. als IoT- Plattform mit verschiedenen Diensten. Sensoren und Gateway waren bisher in erster Linie als Datenlieferant für die Cloud konzipiert. Nun kommt durch die lokale Sensorintelligenz, also die Edge-AI-Komponente, eine weitere anspruchsvolle Aufgabe hinzu: dazu gehört die Echtzeitsensordatenanalyse direkt vor Ort an der Sensordatenquelle (beispielsweise als Machine-Learning-Inferenz per TensorFlow Lite). tät, Vertraulichkeit und Integrität der Sensordaten. Eine IoT-Anwendung am anderen Ende benötigt die 100-%ige Sicherheit, dass die erhaltenen Daten auch tatsächlich von dem Sensor stammen, dessen Absenderkennung als Quellangabe in den Sensordaten zu finden ist und dass diese Daten auf dem Übertragungsweg nicht verändert wurden. Bei der erforderlichen Ende-zu- Ende-Sicherheit wird häufig übersehen, dass die Sicherheitsmechanismen eines von MQTT- oder HTTPS- Verbindungen genutzten TLS-Protokolls in der Praxis architekturbedingt an mehr als einem Punkt „aufge brochen“ werden. Dadurch existieren mehrere Bereiche zwischen Sensor und Anwendung, in denen Sensor datenmanipulation oder andere unerwünschte Eingriffe erfolgen können. Um derartige Risiken weitestgehend auszuschalten, ist aber nicht gleich eine Blockchain erforderlich. In der Praxis reicht es aus, wenn die Sensordaten direkt an der Quelle oder in unmittelbarer Nähe mit einer digitalen Signatur ver sehen werden, die von der Anwendung am anderen Ende in jedem Fall überprüft wird. Updates Over-The-Air (OTA) Ein weiteres Security-Thema sind die technischen und organisatorischen Voraussetzungen für Over- The-Air (OTA) Updates. Ein unidirektionaler Kommunikationspfad zur Messdatenübertragung vom Sensor bis in die Cloud reicht somit nicht mehr aus. In Gegenrichtung, also von der Cloud bis in den Sensor müssen von Zeit zu Zeit bzw. bei Bedarf Software-Updates verschickt werden. Das ist wegen der Gefahren einer missbräuchlichen Nutzung eine hochsen sible Aufgabenstellung. Aber auch Zuverlässigkeitsaspekte sind hier zu beachten: bricht die Funkdatenübertragung zwischen Sensor und Gateway während eines Update-Vorgangs ab, muss der IoT-Sensor auf jeden Fall noch die „alte“ Softwareversion nutzen können. Dafür sollte der interne Bild 2: Ein ML-Modell für Sensordaten lässt sich durch ein neuronales Netzwerk realisieren. Es arbeitet als Mapping-Funktion und verknüpft die Eingangsparameter X per Regressions- oder Klassifizierungsalgorithmen mit den Ausgangswerten Y. Die Machine-Learning-Modellbildung erfolgt in einer speziellen Lernphase mit Hilfe geeigneter Trainingsdaten, die vorab in einer Datei erfasst werden und deren Merkmalsvektorformat die Anzahl der Eingänge des neuronalen Netzwerks bestimmt (siehe Beitrag unter [1]). Einkaufsführer Messtechnik & Sensorik 2021 37

hf-praxis

PC & Industrie

© beam-Verlag Dipl.-Ing. Reinhard Birchel