SSV Software Systems: Sensordaten erfassen und damit KI-Algorithmen trainieren

Für die Aufbereitung der Daten von Sensoren in Maschinen und Anlagen hat SSV Software Systems eine Datenerfassungs-Baugruppe mitsamt Software-Bibliothek entwickelt. Die beiden Systemkomponenten sollen den Einsatz künstlicher Intelligenz in der industriellen Produktion vereinfachen.

Bei der Datenerfassungs-Baugruppe IO/5640-DS und der Software-Bibliothek PyDSlog von SSV handelt es sich um zwei Bausteine für die Datenaufbereitung in KI-Projekten. Bildquelle: © SSV Software Systems

Bei der Datenerfassungs-Baugruppe IO/5640-DS und der Software-Bibliothek PyDSlog von SSV handelt es sich um zwei Bausteine für die Datenaufbereitung in KI-Projekten.

In der Automatisierung verfolgt Data Science das Ziel, die Entscheidungsfindung etwa für Effizienz- und Service-Optimierungen zu verbessern, indem aus großen Datenmengen Erkenntnisse extrahiert und als zusätzliches Wissen für Entscheidungen genutzt werden. Dafür kommen Algorithmen mit künstlicher Intelligenz (KI) zum Einsatz. Als größte Herausforderung betrachtet SSV hier das Bereitstellen geeigneter Sensordaten, die als sogenannte „gelabelte Trainingsdaten“ zur Modellbildung der KI-Algorithmen nötig sind, bevor diese überhaupt ihren Dienst tun können. Die Baugruppe IO/5640-DS und die Python-Software-Bibliothek „PyDSlog“ des Unternehmens sollen diese spezielle Teilaufgabe lösen.

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

Die „PyDSlog“-Bibliothek ermöglicht die Erfassung der „gelabelten Trainingsdaten“, aus denen sich die nötigen Modelle für den Praxiseinsatz von Machine-Learning-Algorithmen und künstlichen neuronalen Netzen erzeugen lassen. Auf der Eingangsseite sind verschiedene Sensordaten möglich, etwa Strom, Spannung, Vibration und Mikrofonpegel. Auf der Ausgangsseite entsteht eine CSV-Datei, die sich direkt zum Training der jeweiligen Algorithmen oder für manuelle Datenanalysen unter Python, R oder Matlab eignet.

Darüber hinaus bietet SSV allen IO/5640-DS- und PyDSlog-Nutzern ein Webinar mit folgenden Inhalten an: 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.