Sie sind hier: HomeThemenSmart Automation / IoTSonstige

SSV Software Systems: Sensorkonzept auf KI-Basis für Machine Learning

SSV Software Systems präsentiert auf der diesjährigen SPS IPC Drives das erste intelligente Sensorkonzept mit voll ausgestattetem KI-Technologie-Stack für Embedded Machine Learning in industriellen Anwendungen.

Beim DNP/AISS1 von SSV Software Systems handelt es sich um ein Evaluierungs-Board mitsamt Sensoren, Embedded-System DNP/9535, Connectivity und KI-Software. Bildquelle: © SSV Software Systems

Beim DNP/AISS1 von SSV Software Systems handelt es sich um ein Evaluierungs-Board mitsamt Sensoren, Embedded-System DNP/9535, Connectivity und KI-Software.

Industrie 4.0, (I)IoT und die digitale Transformation funktionieren nur mit Daten aus einer Vielzahl vernetzter Sensoren und mit künstlicher Intelligenz. Damit Anwender sich mit diesem komplexen Thema vertraut machen können, stellt SSV das Evaluierungs-Board DNP/AISS1 (Artificial Intelligence Smart Sensor) mitsamt Sensoren, Embedded-System DNP/9535, Connectivity und KI-Software vor.

Das DNP/AISS1 ist mit drei Bosch-Sensorelementen ausgestattet: einem Sensor für Luftfeuchtigkeit, Temperatur und Luftdruck, einem 3-Achsen-Beschleunigungssensor sowie einem 3-Achsen-Magnetometer. Diese Messgrößen erlauben beispielsweise die Evaluierung von Predictive-Maintenance-Anwendungen und Anomalie-Erkennungen. Als Connectivity-Komponente dient eine Ethernet-Schnittstelle, die per Modbus, Profinet, MQTT, REST und OPC UA mit anderen Systemen kommunizieren kann.

Gesteuert wird das Ganze vom Embedded-System DNP/9535, das auch die Software-Bausteine für die künstliche Intelligenz enthält. So lassen sich im DNP/9535 direkt vor Ort und in Echtzeit die Sensordaten miteinander verknüpfen und per Klassifizierung oder Regression in Informationen für eine SPS umwandeln.

Um Anwender bei seinen ersten Schritten zu unterstützen, gehört zum Lieferumfang des DNP/AISS1 auch 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. Bewertung und Anpassung maschineller Lernmodelle. 4. Den Ausgang eines AISS-Machine-Learning-Algorithmus mit einer SPS oder Cloud verbinden. Damit bekommen Anwender nicht nur die Hard- und Software, sondern auch das nötige Grundwissen, um eigenständig Machine-Learning-Anwendungen zu entwickeln und damit jede SPS-Anwendung nachträglich mit künstlicher Intelligenz auszustatten.

SPS IPC Drives 2018: Halle 6, Stand 150X