Um mit einer Low-Code-Anwendung ein Formular in der IT-Welt zu digitalisieren, reichen als Quellsysteme einfache Datenbankanbindungen aus. Doch Anwendungsentwicklungen im OT-Umfeld erfordern diesbezüglich spezielle Maßnahmen. Hier benötigen Systeme in der Regel verschiedene Sensordaten, um eine Aufgabenstellung wirtschaftlich zu erfüllen. Aber nicht alle Sensordatenquellen liefern einfach zu handhabende Messwerte, wie Temperatur-, Luftdruck- oder Luftfeuchtigkeitsmessungen. Vielfach hat man es in der Praxis mit deutlich komplexeren Daten und einer aufwendigen Informationsgewinnung zu tun. Ein typisches Beispiel wäre ein Vibrationssensor, der eine dreidimensionale Beschleunigungsmessung durchführt und am Ausgang jeweils einen x-, y- und z-Messwert zur Verfügung stellt.
Softsensor misst Vibration
Um mit einem solchen Sensor beispielsweise Vibrationsdaten zu erzeugen, aus denen sich ein Maschinenzustand als Information für andere Anwendungen ableiten lässt, sind sowohl spezielle Datenerfassungsmethoden (periodisches Abtasten der drei Beschleunigungsdimensionen innerhalb eines bestimmten Zeitfensters und Zusammenfassen der Daten) als auch eine umfangreiche Datenvorverarbeitung oder sogar Datenanalyse erforderlich. Dafür werden komplexe mathematische Funktionen benötigt, beispielsweise Fourier-Transformationen. In Bezug auf eine Datenanalyse zur Zustandsbestimmung, also Condition Monitoring, sind häufig sogar KI-Algorithmen aus dem Bereich des maschinellen Lernens (ML) erforderlich, die mit speziellen Lerndaten trainiert werden. Ein Beispiel sind künstliche neuronale Netzwerke, um Vibrationsdatenbilder zu klassifizieren. Beim derzeitigen Stand der Technik lassen sich solche Aufgaben in die Sensorik verlagern. Die Zielgröße am Sensorausgang wird dann bei einem solchen virtuellen Sensor oder Softsensor nicht direkt gemessen, sondern durch KI-Algorithmen berechnet.
Große Anwendungsvielfalt
KI-basierte Softsensoren bieten vielfältige Einsatzmöglichkeiten. Ein weiteres Beispiel wären Bildsensordaten, in denen Objekte identifiziert werden müssen, also etwa Applikationen mit automatischer Objekterkennung für die Sensorrohdaten. Für diese Aufgabe lassen sich sogenannte Convolutional Neural Networks (CNNs) einsetzen, die nach einem Faltungsprinzip arbeiten. Dabei entsteht insgesamt ein Sensorsystem mit einer anwendungsbezogenen Software, die ML-Funktionen enthält. Die Lerndaten zum Training eines solchen virtuellen Sensors mit integriertem CNN sind in diesem Fall möglichst viele unterschiedliche Beispielbilddaten mit den zu erkennenden Objekten. Die Vorgehensweise mit einer CNN-basierten Bilderkennung eignet sich auch, um mit den Ausgangsdaten eines Bildsensors z.B. bestimmte Objekte zu zählen, die den Sichtbereich der Sensoroptik passieren.
Zeitachse im Softsensor
Noch etwas anspruchsvoller wird es, wenn eine Applikation eine Sensorik benötigt, die auf Grund der Ausgangsdaten die Vorhersage von Wartungsterminen im Sinn von Predictive Maintenance für eine Maschine oder Anlage ermöglicht. Für solche Aufgabenstellungen ist ein virtueller Sensor erforderlich, dessen KI-Funktionen in der Lage sind, eine zeitliche Dimension zu berücksichtigen. Dafür lassen sich rekurrente neuronale Netze wie LSTMs (Long-Short-Term Memory) in eine virtuelle Sensorik integrieren. Derartige Softsensoren erlernen beispielsweise aus historischen Datenbeständen einen Zusammenhang zwischen Ein- und Ausgangsdaten mit Zeitbezug und können anschließend im Praxiseinsatz einen diskreten (virtuellen) Messwert an die Anwendung liefern, mit dem sich ein Wartungstermin bestimmen lässt.
Spezialisierung möglich
Um komplexe Sensordaten in einer Software oder einem Steuerungssystem zu nutzen, eignen sich auch Methoden aus dem Bereich der Sensorfusion, also Prozesse, um Rohdaten mehrerer Sensoren mit Hilfe geeigneter Algorithmen zusammenzuführen. Dabei werden verschiedene Techniken eingesetzt, beispielsweise Kalman- und Bayes-Filter, Fuzzy-Logik sowie spezielle neuronale Netze. Insgesamt geht es darum, Sensordaten aus unterschiedlichen Quellen zu kombinieren, um einer Anwendung genauere Informationen zu liefern oder die Komplexität der Sensorik außerhalb der Anwendung zu kapseln.
Der Weg zum Ziel
Die erforderliche Software für einen KI-basierten Softsensor lässt sich mit Hilfe eines Prozesses aus den folgenden teils Stichpunkteartig aufgeführten sieben Einzelschritten entwickeln:
Anwendungsbezogene Datenerfassung: Echte Zustands- oder Betriebsdaten in der Zielumgebung erfassen und in einem Datenpool speichern. Für die weitere Entwicklung wird eine ausreichende Menge an qualitativ hochwertigen Daten benötigt, aus denen ein KI- bzw. ML-Modell in einer Trainingsphase die Zusammenhänge erlernen kann.
Anwendungsbezogene Merkmalsauswahl: Es folgen die Analyse der erfassten Daten und Auswahl geeigneter Merkmale, die in das Eingangsdatenbild des Softsensors übernommen werden. Bestimmen der Korrelationen zur erforderlichen Zielgröße am Softsensorausgang.
ML-Modell-Entwicklung: Ausreichend Prozesswissen sammeln und auswerten, ist nun gefragt. Finales Eingangsdatenbild festlegen und die jeweils erforderlichen Datenvorverarbeitungsschritte auswählen folgen. Nun passendes Modell entwerfen und geeignete Algorithmen aussuchen, um aus dem Eingangsdatenbild die jeweilige Zielgröße zu gewinnen. Werkzeugadaption vorbereiten, z.B. ein Data Exploration Tool (DET) erstellen.
ML-Modell-Training: Aus dem Datenpool passende Trainingsdaten aufbereiten und das ML-Modell in einer Trainingsphase erstellen. Integration des Codes für das ML-Training in das jeweilige DET, um Trainingswiederholungen zu ermöglichen.
ML-Modell-Test und -Integration: Passenden Inferenzcode erstellen. Aus dem Datenpool geeignete Testdaten aufbereiten und das neu erzeugte ML-Modell mit diesem Datenset validieren. Bei einem unzureichenden Testergebnis müssen die Prozessschritte zuvor teilweise oder vollständig erneut durchlaufen werden. Ist das Ergebnis zufriedenstellend, erfolgt die Integration des Modelltests in das DET (Werkzeug finalisieren, um neue ML-Modellversionen per DET zu erzeugen und auszutesten).
Praxiseinsatz des Softsensors: Inferenzcode und ML-Modell in die Zielumgebung integrieren und möglichst unter Ende-zu-Ende-Bedingungen testen. Für diesen Prozessschritt sollte eine geeignete Test- und Debug-Umgebung bzw. entsprechende Werkzeugauswahl zum Einsatz kommen. Des Weiteren sollten Inferenzcode und Modell mit Hilfe des DET über eine Over-the-Air (OTA)-Updatemöglichkeit austauschbar sein. Dabei sind die jeweiligen Cybersecurity-Anforderungen zu beachten (z.B. Einsatz von Modellsignaturen).
Monitoring plus CI/CD Pipeline-Einsatz: Zum Schluss gilt es, den Betrieb des KI-basierten Softsensors fortlaufend mit einem geeigneten Monitoring zu überwachen und bei Bedarf per DET die erforderlichen Updates zu erstellen, zu testen und zum Einsatz zu bringen. Betreiber benötigen also eine Softwarewartungs (CI/CD)-Pipeline.
Zielumgebung umsetzen
Die Entwicklung beginnt mit der Datenerfassung in der Zielumgebung. Die Sensorhardware wird dafür mit einer speziellen Testbed-Firmware ausgestattet, die alle Sensor-intern zur Verfügung stehenden Messdaten periodisch an ein Entwicklungssystem liefert. Damit wird ein Datenbestand geschaffen, der sich analysieren lässt, um das erforderliche Datenverständnis zu schaffen und das Eingangsdatenbild für das KI-Modell festzulegen. Wichtig ist, dass alle an der Entwicklung beteiligten Fachleute einen gemeinsamen Fernzugriff auf die Rohdaten und Datenanalyseergebnisse haben – die KI-Modellentwicklung für einen Softsensor ist eine Teamleistung und erfordert eine intensive kooperative Zusammenarbeit verschiedener Experten an meist unterschiedlichen Standorten.
Entwicklungs-Box auf Zeit
Der Inferenzbetrieb der jeweiligen KI-Modellvariante lässt sich auf der Entwicklungs-Box über einen längeren Zeitraum austesten. Dabei werden die Zielgrößen beispielsweise an eine Steuerung oder Low-Code-Digitalisierungsanwendung weitergeleitet und dort genutzt. Bei zufriedenstellenden Ergebnissen erfolgt die finale Modellintegration in den Softsensor und der Praxiseinsatz. Die Entwicklungs-Box wird dann nicht mehr benötigt.
Auf dem Automatisierungstreff 2025 (8. bis 10. April im WTZ-Tagungszentrum in Heilbronn) veranstaltet SSV Software Systems am 8. April den Anwender-Workshop „KI-basierte Sensorik als SPS-Erweiterung‘. Im zum Workshop gehörenden Hands-on werden zwei Beispiele von den Sensorrohdaten bis zum KI-Modell behandelt: 1. Eine Predictive-Maintenance-Erweiterung, um aus Vibrationsdaten KI-basiert den Verschleiß rotierender Komponenten zu bestimmen und eine vorausschauende Wartung zu realisieren. 2. Eine Machine-Vision-Anwendung, um per Bildsensor bestimmte Objekte auf einem Transportband automatisch zu erkennen und zu zählen (KI-basierte Objekterkennung). Den Teilnehmern wird aufgezeigt, dass durch den Einsatz passender Methoden und Werkzeuge das Erstellen eines KI-Modells in etwa so komplex ist, wie die Konfiguration einer vernetzten Anlage – also mit anderen Worten: Eine durchaus zu bewältigende Aufgabenstellung.
