Embedded Machine Learning
Beim Einsatz eines Supervised Machine Learning auf eingebetteten Systemen lässt sich für bestimmte Zielapplikationen inzwischen ein deutlich größerer Nutzen als durch die bisher üblichen Softwareentwicklungsprozesse erzielen. Für Aufgabenstellungen, bei denen der Zusammenhang zwischen den Ein- und Ausgangsdaten vorher bekannt oder aus größeren Datenmengen automatisch erlernbar ist, muss nicht unbedingt eine anwendungsbezogene Firmware entwickelt werden. Es kann stattdessen auch ein Standard-Algorithmus für überwachtes Lernen auf dem Embedded System implementiert werden, der dann mit gelabelten Beispieldaten im Hinblick auf die Aufgabenstellung trainiert oder mit einem extern trainierten Modell versorgt wird. Vergleicht man die einzelnen Schritte einer programmierten Condition-Monitoring-Lösung für einen elektrischen Antrieb mit dem Machine-Learning-Ansatz, ergibt sich folgendes Gesamtbild:
Sensorrohdatenerfassung: Hier gibt es praktisch keinen Unterschied zwischen beiden Lösungsansätzen. Sensordatenerfassung, Digitalisierung und die Auswahl der Zahlendarstellung (Integer- oder Floating Point-Format) ist in jedem Fall zu codieren.
Datenvorverarbeitung: Für Schwingungsdaten, wie in der Abbildung 1 dargestellt, ist in der Regel eine FFT (Fast Fourier Transform) vor der eigentlichen Datenanalyse sinnvoll. Auch dieser Algorithmus zur diskreten Fourier-Transformation ist in beiden Fällen per Firmware zu implementieren.
Automatische Datenanalyse: Hier gibt es wesentliche Unterschiede. Die Programmierung einer Datenanalyse setzt voraus, dass dem Entwicklerteam das Wissen um die Frequenzen und Amplituden, die einen bestimmten Antriebszustand kennzeichnen, mit allen Details zur Verfügung steht. Beim Machine-Learning-Ansatz ist das nicht erforderlich. Genaugenommen spielt noch nicht einmal die Antriebscharakteristik selbst eine Rolle.
Ergebnisweitergabe: Mit welcher physikalischen und logischen Schnittstelle, z.B. Ethernet und Profinet, das Ergebnis der Datenanalyse weitergegeben wird, ist ebenfalls Lösungsansatz-agnostisch.
Zusammenfassend lässt sich feststellen, dass insbesondere die automatische Datenanalyse einer Sensorikapplikation zur Zustandsüberwachung mit Hilfe des maschinellen Lernens sehr viel einfacher und flexibler realisiert werden kann.
