Datenanalyse mit KI direkt am Sensor
Unzählige IoT-Sensoranwendungen streamen Rohdaten in die Cloud, um die dort vorhandenen Möglichkeiten der Datenverarbeitung zu nutzen. Das kann ein gewisses Sicherheitsrisiko darstellen. Außerdem können im industriellen Umfeld Probleme mit der Bandbreite, der Latenz und der Verfügbarkeit auftreten. Einige Ansätze lassen sich deshalb mit einer einfachen Sensor-to-Cloud-Verbindung nicht realisieren, beispielsweise ein Cobot-Voice/Gesture-Interface für die Zusammenarbeit zwischen Menschen und Robotern, Qualitätssicherung per Machine Vision, Condition Monitoring mit Echtzeit-Anomalieerkennung und fahrerlose Transportsysteme (FTS). Hier ist zusätzlich eine Datenauswertung vor Ort erforderlich. Um die Entwicklung KI-basierter Funksensor-Edge-Anwendungen zu vereinfachen, hat SSV mit dem WSEI/154A einen Ende-zu-Ende-Technologie-Stack mit einer 868-MHz-Funktechnik gemäß IE-EE802.15.4 entwickelt. Als Sensing Endpoint gehören zum Lieferumfang: ein Evaluation Board mit einem ARM Cortex M0+ SoC und integriertem Sub GHz-Funktransceiver sowie RIOT als Embedded-Betriebssystem. Die Gateway-Softwarefunktionen sind auf ein Debian-Linux abgestimmt. Sie werden durch eine vorzertifizierte Funkhardware als Auflötmodul ergänzt. Für den Cloud-Einsatz gehören verschiedene Jupyter-Notebooks zum Technologie-Stack. Sie unterstützen die MQTT-Kommunikation mit dem Gateway sowie das Training neuronaler Netze mit Tensorflow. Die dabei erzeugten Ma-chine-Learning-Modelle lassen sich im Edge-Inferenzbetrieb auf einer Ressourcen-limitierten Gateway-Hardware nutzen. Der Technologie-Stack ermöglicht OEMs die Realisierung datenbasierter Lösungen mit Funksensoren, verschiedenen Kommunikationsprotokollen, Machine Learning, PKI-basierter Cybersecurity inklusive Authentifizierung sowie sichere Software-Updates Over-The-Air (OTA) bis in den Sensor. Um OEMs bei der Integration in eigene Lösungen zu unterstützen, bietet der Hersteller diverse Customizing-Services sowie On-Demand-Webinare an.
Graph: Bild: SSV Software Systems