Mikroelektronik, kombiniert mit Sensorik und eingebetteter Software, erfasst und verarbeitet Prozessdaten in Industrieanlagen. Dies ermöglicht die Digitalisierung von Produktionsprozessen und Betriebsabläufen in der Industrie 4.0. Heute verfügbare Elektroniksysteme zur Datenerfassung und Signalverarbeitung, insbesondere Signalprozessoren (DSP) oder programmierbare Logik (FPGA), sind jedoch für diesen Anwendungsbereich nicht optimiert und folglich im Vergleich zu den zu überwachenden Komponenten teuer.
Das Projekt KI-Predict adressiert genau dieses Problem in einem ganzheitlichen Ansatz. Die Kombination neuer KI-Methoden mit dazu optimierter, integrierter Hardware ermöglicht eine intelligente Prozessüberwachung mit direkter Signalverarbeitung und Feature-Extraktion am Ort des Geschehens. Diese neue Qualität der Datenverarbeitung direkt am Sensor ermöglicht eine sichere, dezentrale Analyse- und Prognosefähigkeit mit gleichzeitig definierter und geringer Latenz. Hierzu wird eine miteinander verzahnte Hard- und Softwarearchitektur entwickelt, die zum einen den Fokus auf sensornahe Datenfusion, Datenreduktion und Datenauswertung legt und zum anderen fehlerhafte Sensoren durch das Interpretieren von Anomalien erkennt. So werden z.B. neben üblichen Funktionen, wie etwa der digitalen Erfassung von Strom, Position, Vibration, Akustik, Druck, Kraft und Temperatur, vor allem Funktionalitäten für maschinelles Lernen (ML) bereitgestellt, wodurch eine dezentrale Datenverarbeitung und -reduktion ermöglicht wird.
Das Interface ist insbesondere in der Lage, energieeffizient Merkmale auch in hochfrequenten Sensorsignalen zu erkennen und diese entweder auf Steuerungsebene als Basis für die Sensordatenfusion zur Verfügung zu stellen oder direkt für die Klassifikation, das Clustering oder die Anomaliedetektion zu nutzen.
Die Nutzung von industriell üblichen Schnittstellen und Netzwerken wird durch die sensornahe Gewinnung aggregierter Merkmale aus dem Datenstrom ermöglicht. Dadurch können die Industriepartner den Funktionsumfang ihrer Anlagen, ohne zusätzliche Infrastrukturkosten, erhöhen. Gleichzeitig können diese Merkmale auf höheren Ebenen der Prozesssteuerung bzw. der ERP-Software mittels komplexeren KI- und ML-Methoden genutzt werden, um den Anlagenzustand und die Produktqualität zu erfassen sowie Trends zu verfolgen. Diese erweiterte Datenauswertung kann genutzt werden, um die Betriebskosten der Anlage zu senken. Hierbei ist die Hardware nicht an spezielle Anwendungsfälle angepasst und kann somit automatisiert an neue Anwendungsfälle angelernt werden.
