Datenerfassungsbaugruppe

Mara Hofacker,

Data-Science-Bausteine für Maschinendaten

SSV hat eine Datenerfassungsbaugruppe für Maschinensensoren plus Software entwickelt, um den KI-Einsatz in Maschinen, Anlagen und Industrieprozessen zu vereinfachen.

Mit Hilfe von Algorithmen aus dem Umfeld der KI lässt sich die Entscheidungsfindung in der Automatisierung erheblich verbessern, um z. B. über Effizienz- oder Serviceoptimierungen Kosten einzusparen. Die größte Herausforderung ist allerdings das Bereitstellen geeigneter Sensordaten, die zur Modellbildung der KI-Algorithmen als gelabelte Trainingsdaten benötigt werden. Mit der IO/5640-DS und der Softwarebibliothek PyDSlog hat SSV nun zwei Bausteine für die Datenaufbereitung in KI-Projekten entwickelt. © SSV Software Systems

Data Science verfolgt das Ziel, die Entscheidungsfindung zu verbessern, indem Erkenntnisse aus großen Datenmengen extrahiert und als zusätzliches Wissen für Entscheidungen genutzt werden. Dafür kommen Algorithmen aus dem Umfeld der Künstlichen Intelligenz (KI) zum Einsatz. In der Automatisierung ist das Bereitstellen geeigneter Daten die größte Herausforderung, bevor der KI-Algorithmen-Einsatz überhaupt erfolgen kann. Die Baugruppe IO/5640-DS und die Python-Softwarebibliothek PyDSlog wurden zur Lösung dieser speziellen Teilaufgabe entwickelt.

Eingangsseitig besitzt eine IO/5640-DS acht analoge Kanäle zur Digitalisierung von Sensordaten, die in einem konstanten Datenstrom zusammengefasst werden. Die Sensorrohdaten werden per 2-Draht-High-Speed-Verbindung entweder mittels USB-Adapter an einen PC oder direkt an ein Edge-Gateway übergeben. Kanalanzahl, Abtastraten bis zu 435 Mikrosekunden (2,3 kHz) bei 12 Bit-Auflösung sowie Kommunikationsblockgrößen lassen sich hinsichtlich der individuellen Anforderungen einstellen.

Die PyDSlog-Bibliothek ermöglicht die Erfassung sogenannter „gelabelter Trainingsdaten“, aus denen sich die erforderlichen Modelle für den Praxiseinsatz von Machine-Learning-Algorithmen und künstlichen neuronalen Netzen erzeugen lassen. Eingangsseitig sind verschiedene Sensordaten, wie z. B. Strom, Spannung, Vibration, Mikrofonpegel usw. möglich. Ausgangsseitig entsteht eine CSV-Datei, die sich direkt zum Training der jeweiligen Algorithmen oder für manuelle Datenanalysen unter Python, R oder Matlab eignet.

Anzeige

Des Weiteren bietet SSV allen IO/5640-DS- und PyDSlog-Nutzern ein Webinar mit folgenden Inhalten: 1. Grundlegende Prinzipien und Terminologie des maschinellen Lernens. 2. Ein vollständiger Machine-Learning-Prozess, einschließlich Sensordatenerfassung, Datenaufbereitung, Modellierung und Modellbewertung. 3. Bestimmen der Modellgenauigkeit und Anpassen der Hyperparameter. 4. Den Ausgang eines Machine-Learning-Algorithmus mit anderen Systemen verbinden.

Anzeige

Das könnte Sie auch interessieren

Anzeige

Flexible Systemlösung

Workflow optimieren

CipherLab bietet die Fertigungslösung ReMoFactory an. Die Kombination aus der 5300-Data-Controller-Serie ist auf die Anforderungen des Produktionsbereichs ausgelegt und bietet eine Basis für Big Data-Anwendungen.

mehr...
Anzeige
Anzeige

Datenanalyse

Messfehler automatisiert berechnen

Kistler bietet mit KiXact ein System an, mit der sich die Messunsicherheit sicher berechnen und interpretieren lässt. KiXact, das Teil des Datenerfassungssystem KiDAQ ist, berechnet die Unsicherheit automatisiert.

mehr...
Anzeige
Anzeige
Anzeige
Anzeige

Datenerfassung

Wago und MPDV starten Transparenzoffensive

Im Rahmen der Hannover Messe haben Jürgen Schäfer, Chief Sales Officer bei Wago Kontakttechnik, und Prof. Dr.-Ing. Jürgen Kletti, geschäftsführender Gesellschafter der MPDV Mikrolab GmbH, ihre bestehende Lieferantenbeziehung intensiviert und eine...

mehr...

Newsletter bestellen

Immer auf dem Laufenden mit dem SCOPE Newsletter

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite