Machine Learning Enhanced Sensor Systems

Die Fraunhofer EMFT entwickelt und baut anwendungsspezifische Sensorsysteme, und erweitert deren Funktionalität mit Machine Learning Methoden. Solche »Machine Learning enhanced Sensor Systems« ermöglichen die Realisierung von neuartigen Sensorlösungen, die Energie und Bandbreite sparen, Reaktionszeiten verkürzen, und gleichzeitig einen sicheren Umgang mit sensiblen Sensordaten erlauben.

KI im Sensorknoten: Embedded Tiny Machine Learning Plattform
© Fraunhofer EMFT / Bernd Müller
KI im Sensorknoten: Embedded Tiny Machine Learning Plattform

Sensorsysteme

Bei den Sensorsystemen kommen sowohl an der Fraunhofer EMFT entwickelte Sensoren als auch kommerzielle verfügbare Sensoren zum Einsatz. Hierfür werden Sensorschaltungen mit Mikrocontrollern konzipiert und die »embedded« Software bzw. Firmware dazu programmiert. Diese Entwicklungen reichen vom AFE »Analog Front End« – der Wandlung in ein digitales Signal über einen ADC »Analog Digital Converter« – über die digitale Verarbeitung im Mikrocontroller bis hin zu den verschiedenen Interface-Techniken, sowohl drahtgebunden (USB, RS232, RS485, OPC UA, CAN, Ethernet…) als auch »wireless« (BLE – Bluetooth Low Energy, 868MHz Lösungen, WLAN…).

Im Bereich der Sensorik werden komplexe optische Analysesysteme konzipiert, die Absorption, Chemilumineszenz- oder Fluoreszenz-Verfahren bei verschiedenen Wellenlängen oder sogar ein ganzes Spektrum aufnehmen. Damit lassen sich Material- und Oberflächeneigenschaften, aber auch biologische Substanzen in Agrar- und Medizin-Anwendungen analysieren. Besonders spektrale Auswertungen in VIS- und IR-Bereich liefern umfangreiche Informationen für die unterschiedlichsten Anwendungen.

Erkennung von Infektionskrankheiten mittels tragbarer Sensorik zur Erfassung von Vitalparametern
© Fraunhofer EMFT / Bernd Müller
Erkennung von Infektionskrankheiten mittels tragbarer Sensorik zur Erfassung von Vitalparametern

Machine Learning

»Machine Learning« ist ein Teilgebiet der Künstlichen Intelligenz »KI« (engl. »Artificial Intelligence – AI«), das statistische Modelle basierend auf Trainingsdaten nutzt, um bestimmte Aussagen treffen zu können. Somit können Muster und Gesetzmäßigkeiten in den Lerndaten erkannt und mit unbekannten Testdaten analysiert werden. Mit maschinellem Lernen können z.B. Anomalien erkannt, Zustände klassifiziert, aber auch ein Verhalten in der Zukunft prädiziert werden. Natürlich immer mit einer berechneten Wahrscheinlichkeit, die auf den Erfahrungen und Daten aus dem Erlernten beruhen.

Im Bereich Sensorik nutzt die Fraunhofer EMFT maschinelles Lernen, um die gesammelten Sensordaten zu verarbeiten, die meist als Zeitreihen vorliegen. Dabei werden »unsupervised« Ansätze zur Anomalie-Erkennung sowie »supervised« Ansätze zur Klassifizierung und Mustererkennung für die Zuordnung zu einem bestimmten Zustand verwendet. In der Produktionstechnik beispielsweise kommen Sensorsysteme mit maschinellem Lernen für »Predictive Maintenance« zum Einsatz. Diese vorausschauende Wartung ermöglicht es, notwendige Wartungen von Anlagen zu prädizieren, bevor ein Ausfall droht. Damit lassen sich teure, regelmäßige Wartungsarbeiten auf die notwendigen reduzieren.

Datenverarbeitung in der Edge

Die Nutzung der »Machine Learning«-Methoden direkt am Sensor in den Mikrocontrollern ebnet den Weg für vielversprechende, neue Lösungen. Die sogenannte »Edge AI« oder das »Edge ML« kann Sensordaten lokal im Sensorknoten verarbeiten. Über die lokale Inferenz mit ML-Modellen können direkt am Sensor Aussagen getroffen werden, die wiederrum zu weiteren Aktionen führen können. All dies spart Energie und Zeit, da die Rohdaten nicht in die Cloud zur Auswertung geschickt werden müssen. Besonders interessant ist das für Bereiche, in denen mit sensiblen Daten gearbeitet wird, z.B. in der Medizintechnik. Sogar zeitkritische Anwendungen, wie die Gefahrenerkennung beim zukünftigen autonomen Fahren, sind damit direkt im Sensorknoten möglich, was bei einer Cloud-basierten Verarbeitung nicht realisierbar wäre. Ein weiterer Vorteil liegt in der effizienteren IT-Infrastruktur, die nicht auf gewaltige Bandbreiten ausgebaut werden muss, um die Übertragung der Rohdaten gewährleisten zu können.

Das könnte Sie auch interessieren:

 

Leistungsangebot: Design von Systemen und Prototypen im Bereich Sensorik

 

Kompetenzbereich: Medizinische Wearables

Technologieangebot: Elektroniklabor für System Integration

Projekt: Machine Learning zur vorausschauenden Wartung von Getriebeölen