- KI-Modell-Architekt: Konzeptentwurf für das Eingangsdatenbild und die Ausgangsinformation(en) des neuronalen Netzwerks. Die Modellarchitektur sowie den Detailentwurf der einzelnen Hidden Layer festlegen. Codieren des KI-Modells und eines ML-Trainingsprozesses, z.B. mit Hilfe einer Machine-Learning-Bibliothek, wie TensorFlow und Keras. Austesten des Modells mit Hilfe passender Daten. Falls erforderlich, passende Testdaten erzeugen, um die Vorhersage- bzw. Klassifizierungsgenauigkeit des KI-Modells zu ermitteln. Implementierung einer ML-Modell-Trainingsumgebung für den Praxiseinsatz. Die Weitergabe des KI-Modells in einem geeigneten Dateiformat sicherstellen (z.B. TFLITE oder ONNX). Bei Bedarf spezielle Filterfunktionen für die Trainingsdaten erstellen. In der Regel eignen sich für diese Teilaufgaben praxiserfahrene Data Scientisten oder entsprechend geschulte Softwareentwickler.
- KI-Modell-Integrator/Modell-Trainer: Datenlogger-Funktion realisieren, um praxisbezogene Trainingsdaten zu erfassen. Mit diesen Daten lässt sich das vom KI-Modell-Architekten zur Verfügung gestellte Deep-Learning-Modell bei Bedarf jederzeit neu trainieren. Inferenzcode für das jeweilige Zielsystem erstellen, KI-Modell integrieren, Testkonzepte entwickeln und Komponententests für den vollständigen Inferenzbaustein (Code plus Modell) durchführen. Schnittstelle zur Weitergabe der Inferenzausgangsdaten implementieren und testen. Installationspaket für den jeweiligen Endpunkt erstellen. Die Trainer/Integrator-Rolle erfordert Embedded-Softwarespezialisten, die sich mit der Firmware- und Anwendungsentwicklung für die Softsensorhardware auskennen.
- KI-Modell-Anwender: Ist für den Betrieb des Softsensors in der Zielumgebung verantwortlich. Der Anwender nutzt das KI-Modell des Sensors, um bestimmte Aufgaben im operativen Alltag zu erledigen. Ein Beispiel wäre die frühzeitige Unwuchterkennung an Maschinenelementen als KI-basierte Anomaliedetektion sowie das Koordinieren der Wartungstermine, um einen unerwarteten Maschinenstillstand zu vermeiden. Jede Anomalität wird der Steuerung über das SPS-Eingangsdatenbild angezeigt und erzeugt darüber hinaus eine optionale Meldung an ein übergeordnetes System. Der Anwender sorgt des Weiteren für ein Performance-Monitoring, um den Wirkungsgrad im Praxiseinsatz zu bestimmen und falls erforderlich ein erneutes Training in die Wege zu leiten. Ein KI-Modell-Anwender wird per Schulung in die Lage versetzt, einfache Wartungsarbeiten hinsichtlich der Sensorsoftware auszuführen (z.B. Aufspielen eines neuen Installationspakets, Feststellen der Versionierung des jeweils installierten Modells). n Automatisierungstreff 2025
Auf dem Automatisierungstreff 2025 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 Softsensor-Erweiterung, um aus Vibrationsdaten per Autoencoder KI-basiert Maschinenzustände zu bestimmen.
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, wie z.B. der Wireless Remote Development Box, 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.
Über den QR-Code können Sie sich zu dem Workshop anmelden.
tedo.link
