Künstliche Intelligenz im Edge-Gateway
Machine Learning im Schaltschrank
SSV zeigt auf der Hannover Messe mit dem IGW/941 ein kompaktes Edge-Gateway mit vorinstalliertem KI-Software-Stack. Dieser bietet neben zahlreichen mathematischen Funktionen auch verschiedene Machine-Learning-Algorithmen zur Klassifizierung und Regression. Damit lassen sich Anwendungen erstellen, in denen Sensordaten in Echtzeit direkt auf der Hutschiene mit Hilfe des maschinellen Lernens analysiert werden, um beispielsweise erforderliche Wartungstermine vorherzusagen oder Anomalien in den Zustandsdaten einer Maschine zu erkennen.
Daten sind der Rohstoff des 21. Jahrhunderts. Sie werden in jeder Maschine, jeder Anlage und jedem Prozess permanent erzeugt. Mit geeigneter Hard- und Software lässt sich dieser wertvolle Datenschatz heben und per Machine Learning (ML) in Informationen umwandeln. So sind vorausschauende Service- und Wartungskonzepte (Predictive Maintenance), Qualitätsverbesserungen (Predictive Quality), Produktivitätssteigerungen (Predictive Efficiency) oder ML-basierte Anomalie-Erkennungen möglich.
Firma zum Artikel
Themen im Artikel
Im IIoT-Umfeld müssen brauchbare Daten zunächst durch spezielle Sensorik erzeugt, verknüpft und aufbereitet werden. Danach erfolgt die Informationsgewinnung mit entsprechenden ML-Algorithmen. Anschließend stehen die Informationen sowohl lokal (z. B. per OPC UA) als auch mit Hilfe einer Cloud zur weiteren Nutzung zur Verfügung.
SSV zeigt auf der Hannover Messe zu diesem Thema mit dem IGW/941 ein kompaktes Edge-Gateway mit vorinstallierten ML-Algorithmen und diversen Data-Science-Bausteinen für industrielle Applikationen. Damit lassen sich Anwendungen erstellen, die beispielsweise Sensordaten erfassen, per Klassifizierung oder Regression in Informationen umwandeln und das Ergebnis per OPC UA oder MQTT weitergeben.
Artikel zum Thema
Zum IGW/941 gehören vorkonfigurierte und sofort einsatzbereite Entwicklungswerkzeuge für die ML-Trainingsphase und Modellbildung. Des Weiteren bietet SSV allen IGW/941-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.
Hannover Messe, Halle 5, Stand D05