Machine Learning Enhanced Sensor Systems (MLS)

Intelligente Sensorsysteme dank Machine Learning

Das Fraunhofer EMFT entwickelt und baut intelligente 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.

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

Sensorsysteme

Am Fraunhofer EMFT in der Gruppe MLS entwickeln wir intelligente Sensorsysteme für unsere eigenen, aber auch kommerziellen, vorrangig physikalischen Sensoren. Hierbei liegt unsere Expertise in der Konzeption von Sensorschaltungen mit Mikrocontrollern und der Programmierung der embedded Software bzw. Firmware. Unsere Entwicklungen umfassen das Analog-FrontEnd, die anschließende Wandlung der analogen Signale mittels eines Analog-Digital-Konverters, die digitale Verarbeitung im Mikrocontroller und verschiedene drahtgebundene (USB, RS232, RS485, OPC UA, CAN, Ethernet…), wie auch drahtlose Schnittstellentechniken (BLE – Bluetooth Low Energy, 868MHz Lösungen, WLAN, NB-IoT…).

Ein Bereich der Machine Learning Enhanced Sensor Systeme beschäftigt sich mit komplexen Analysesystemen, die auf den optischen Prinzipien wie Absorption, Chemilumineszenz- oder Fluoreszenz bei verschiedenen Wellenlängen oder der Aufnahme eines Spektrums basieren. Damit lassen sich Material- und Oberflächeneigenschaften, aber auch biologische Substanzen in Agrar- und Medizin-Anwendungen analysieren. Insbesondere spektrale Auswertungen im VIS- und IR-Bereich liefern umfangreiche Informationen für verschiedenste Applikationen.

Neben den optischen Sensorsystemen werden auch Sensorsysteme für die Vibrationsmessung, der Aufnahme von Umweltparametern wie Temperatur, Feuchte, UV-Strahlung, CO2-Konzetration sowie Gassensoren für verschiedene Analyten u.v.m. am Fraunhofer EMFT entwickelt und untersucht.

Die Einsatzbereiche der Sensorsysteme der Gruppe MLS erstrecken sich von Internet of Things Devices (IoT), Industrial Internet of Things-Devices (IIoT), bis hin zu tragbaren Geräten (Wearables) und fest installierten Sensorsystemen, die in Industrie 4.0 Szenarien eingesetzt werden.

Machine Learning

Machine Learning ist ein Fachgebiet der Künstlichen Intelligenz (KI), das mittels Training statistischer Modelle aus Trainingsdaten lernt. So können automatisch Muster und Regelmäßigkeiten in den Trainingsdaten erkannt werden, die auch auf neue, bisher unbekannte Daten desselben Prozesses, übertragbar sind. Die Übertragung des Gelernten auf unbekannte Daten wird auch Generalisierung genannt und wird während der Evaluierung anhand eines Testdatensatzes überprüft. Mit Machine Learning können beispielsweise Anomalien erkannt, Zustände klassifiziert und zukünftiges Verhalten prädiziert werden. Probabilistische Machine Learning Modelle bieten zudem die Möglichkeit, die Unsicherheit der Modellaussagen anzugeben.

Im Bereich Sensorik und Sensorsysteme nutzt das Fraunhofer EMFT Machine Learning, um die erfassten Sensordaten zu verarbeiten, die in der Regel als Zeitreihen vorliegen. Hierbei werden unüberwachte (unsupervised) bzw. teilweise überwachte (semi-supervised) Ansätze zur Anomalie-Erkennung, als auch überwachte (supervised) Ansätze zur Klassifizierung und Mustererkennung verwendet, um die Daten einem bestimmten Zustand zuzuordnen. Auf Basis dieser Methoden  werden in der Produktionstechnik intelligente Sensorsysteme in Kombination mit Machine Learning für Condition Monitoring (CdM) bzw. Predictive Maintenance (PdM) eingesetzt.

Ein Beispiel hierfür ist die vorausschauende Wartung von Getriebeölen bei der anhand von Machine Learning Modellen notwendige Wartungsarbeiten an Anlagen vorhergesagt werden können, bevor ein Ausfall droht. Dadurch lassen sich teure, regelmäßige Wartungsarbeiten auf die tatsächlich erforderlichen reduzieren.

Datenverarbeitung in der Edge

Die Nutzung von Machine Learning direkt im Mikrocontroller von Sensorknoten ebnet den Weg für vielversprechende neue Lösungen. Die sogenannte Edge AI oder Embedded AI ermöglicht die lokale Verarbeitung auf dem Sensorknoten. Mit Hilfe der lokalen Inferenz von ML-Modellen im Sensorknoten können Schlussfolgerungen getroffen werden, die weitere Aktionen auslösen können. Dies spart Energie und Zeit, da die Rohdaten nicht zur Auswertung in die Cloud gesendet werden müssen. Besonders interessant ist dies in Bereichen, in denen mit sensiblen Daten gearbeitet wird, wie beispielsweise in der Medizintechnik oder abgesicherten Umgebungen. Hier müssen die sensiblen Daten erst gar nicht versendet werden, was wiederum die Sicherheit der Daten erhöht, da potenzielle Risiken während der Übertragung vermieden werden. Sogar zeitkritische Anwendungen, wie die Gefahrenerkennung beim zukünftigen autonomen Fahren können direkt auf dem Sensorknoten durchgeführt werden, was bei einer Cloud-basierten Verarbeitung nicht realisierbar wäre. Allerdings muss ein im Sensorknoten vorliegendes ML-Modell vor Entwendung oder Manipulation abgesichert werden. Dies ist von entscheidender Bedeutung. Hierzu müssen geeignete Sicherheitsmaßnahmen implementiert werden, um die Integrität und Vertraulichkeit des Modells zu garantieren. Ein zusätzlicher Vorteil liegt in der effizienteren IT-Infrastruktur, die nicht auf gewaltige Bandbreiten ausgebaut werden muss, um die Übertragung der Rohdaten zu gewährleisten.

Angebot

Die Fraunhofer EMFT Gruppe MLS bietet einen umfassenden Service, um mithilfe von KI das Potential Ihrer Zeitreihendaten zu erschließen. Das Angebot beginnt bei kleinen Machbarkeitsstudien zur Evaluierung des Potenzials einer KI-Lösung, begleitet aber auch das gesamte Engineering des Data Mining Systems. Dies umfasst die Systemkonzeption und das Komponentendesign hard- und softwareseitig, als auch die Implementierung und Evaluierung des Gesamtsystems.

Umfang und Dienstleistungen MLS Gruppe
Umfang & Dienstleistungen der Fraunhofer EMFT Gruppe MLS

Typischerweise entfällt ein großer Teil des Arbeitsaufwands nicht direkt auf die Entwicklung von Machine-Learning-Modellen, sondern auf den Aufbau eines geeigneten Infrastruktur-Setups. Das Setup muss die Datenpipeline, bestehend aus Datenerfassung, Vorverarbeitung und Speicherung, mit der Softwareintegration kombinieren, um Machine Learning Modelle zu erstellen, zu testen und anzuwenden.

Die Dienstleistungen im Bereich der Datenanalyse reichen von der klassischen Statistik bis hin zur Entwicklung spezieller KI-Modelle für Klassifikation, Vorhersage (Forecasting) oder Anomalieerkennung.

Kompetenzen und Ressourcen

Kompetenzen & Ressourcen MLS Gruppe
Kompetenzen & Ressourcen der Fraunhofer EMFT Gruppe MLS

Die Gruppe MLS hat im Rahmen mehrerer abgeschlossener Forschungs- und Industrieprojekte Erfahrungen und Ressourcen aufgebaut, von denen ein Kunde profitieren kann. Da ein Data Science Projekt häufig aus den gleichen Schritten besteht, hat die Gruppe Referenzen für jeden Schritt zusammengestellt. Dies gilt sowohl für die Einrichtung der Infrastruktur als auch für die eigentliche Data-Science Pipeline.

Ein wichtiger Faktor für das Gelingen eines KI-Projektes sind auch die verfügbaren Hardware-Ressourcen. Die Gruppe MLS verfügt über einen leistungsstarken Trainingsserver (NVIDIA GPU-Cluster) und eine virtuelle Serverumgebung mit Network Attached Storage (NAS). Alle Voraussetzungen für eine hausinterne Analyse der Kundendaten sind vorhanden.

Sie wollen mehr über die Anwendungsmöglichkeiten von Machine Learning Enhanced Sensor Systems in der Praxis erfahren?

Dann nehmen Sie mit uns Kontakt auf!

 

 

Das könnte Sie auch interessieren:

 

Kompetenzfeld: KI Algorithmen für Zeitreihenanalysen

 

Leistungsangebot: Condition Monitoring und Predictive Maintenance

 

Leistungsangebot: AI on the Edge

Projekt: KI basierte prädiktive Wartung für Anlagen in der Fertigung

Projekt: Machine Learning unterstützte vorausschauende Wartung von Getriebeölen