DNP/AISS1: Erste Schritte: Unterschied zwischen den Versionen

Aus SSV Wiki
Wechseln zu: Navigation, Suche
[gesichtete Version][gesichtete Version]
(Kabelverbindungen)
(Kabelverbindungen)
Zeile 44: Zeile 44:
  
 
== Kabelverbindungen ==
 
== Kabelverbindungen ==
[[File:Dnp-aiss1 power.png|500px|thumb|right|Verbindung des mitgelieferten Netzteils mit dem DNP/AISS1.]]
 
 
 
Mit Hilfe des AISS-Baukastens lässt sich eine individuelle AISS-Lösung zusammenstellen, die genau für die vorgesehene Aufgabe abgestimmt ist. Das Evaluierungsboard DNP/AISS1 dient dabei als Grundlage und wird wie gewünscht modifiziert, was die Entwicklung eines eigenen Systems deutlich beschleunigt.
 
Mit Hilfe des AISS-Baukastens lässt sich eine individuelle AISS-Lösung zusammenstellen, die genau für die vorgesehene Aufgabe abgestimmt ist. Das Evaluierungsboard DNP/AISS1 dient dabei als Grundlage und wird wie gewünscht modifiziert, was die Entwicklung eines eigenen Systems deutlich beschleunigt.
  
Zeile 52: Zeile 50:
  
 
=== Stromversorgung ===
 
=== Stromversorgung ===
 +
[[File:Dnp-aiss1 power.png|500px|thumb|right|Verbindung des mitgelieferten Netzteils mit dem DNP/AISS1.]]
 +
 
In dieser Toolbox sind auf der Programmiersprache Python basierende intelligente Algorithmen zur Datenanalyse zu finden, wie sie auch im AISS-Technology Stack enthalten sind.
 
In dieser Toolbox sind auf der Programmiersprache Python basierende intelligente Algorithmen zur Datenanalyse zu finden, wie sie auch im AISS-Technology Stack enthalten sind.
  

Version vom 14. Mai 2019, 16:30 Uhr

Der erste Vertreter der neuen AISS-Familie ist das Evaluierungsboard DNP/AISS1

Die neue Produktfamilie AISS (Artificial Intelligence Smart Sensor) ermöglicht mit Hilfe eines Baukastenkonzepts die schnelle und individuelle Entwicklung intelligenter Sensorsysteme, die genau auf die jeweilige Aufgabe zugeschnitten sind. Mit diesem AISS-Baukasten lässt sich quasi jede Steuerung mit künstlicher Intelligenz (KI) und Machine Learning (ML) nachrüsten. Der erste Vertreter der neuen AISS-Familie ist das Evaluierungsboard DNP/AISS1. Es bietet neben diversen Sensoren ein kompaktes Embedded System (DNP/9535) inkl. KI- und Connectivity-Software. Der folgende Artikel beschreibt die ersten Schritte mit dem DNP/AISS1.


Einleitung

Lieferumfang

Zum Lieferumfang des DNP/AISS1-Starterkits gehören die folgenden Komponenten.

  • 1x DNP/AISS1
  • 1x Ethernet-LAN-Kabel
  • 1x 12/24 VDC-Steckernetzteil
  • 1x I2C-Verbindungskabel 30 cm
  • 1x Taschenbuch „Machine Learning – kurz und gut“ von O’Reilly
  • 1x gedruckte Inbetriebnahmeanleitung


Info.svg.png Beachten Sie vor dem Einsatz des Starterkits unbedingt die beigefügte Inbetriebnahmeanleitung!


Bitte wenden Sie sich an SSV, falls etwas aus der Liste fehlen oder defekt sein sollte.

Anforderungen an den Entwicklungs-PC

Für die Nutzung des DNP/AISS1 wird ein PC benötigt, der mindestens die folgenden Voraussetzungen erfüllen muss:

  • Internetzugang
  • LAN-Schnittestelle zur Verbindung mit dem DNP/AISS1
  • HTML5-konformer Webbrowser (z. B. Chrome oder Firefox)
  • (Text-) Editor zum Bearbeiten von Quellcodes (z. B. Notepad++: https://notepad-plus-plus.org/)
  • FTP-Client, um Dateien vom PC in das Dateisystem des DNP/AISS1 zu übertragen (z. B. FileZilla: https://filezilla-project.org/)
  • Die LAN-Verbindung zwischen PC und DNP/AISS1 sollte möglichst durch keine aktive Firewall geschützt sein. Falls eine Firewall existiert, müssen der TCP-Port 80 (HTTP), der TCP-Port 1880 (Node-RED-UI) und TCP-Port 4200 (Shell-In-a-Box Service, Web Console) freigeschaltet werden.

Auf dem DNP/AISS1 ist Node-RED vorinstalliert und kann vom PC aus per Browser genutzt werden. Daher empfehlen wir, sich mit der Benutzung von Node-RED vertraut zu machen, siehe hierzu auch https://nodered.org/docs/getting-started/first-flow.

Machen Sie sich möglicgst auch mit den Grundgedanken des Node-RED-Dashboards vertraut, siehe hierzu https://flows.nodered.org/node/node-red-dashboard.

Falls Sie weitere Eigenschaften und Möglichkeiten des DNP/AISS1 nutzen möchten, sind hinsichtlich der Firewall-Einstellungen ggf. weitere Ports freizuschalten und zusätzliche Software-Installationen auf dem PC erforderlich. Beachten Sie dazu bitte die jeweiligen Hinweise in den entsprechenden Dokumenten.

Kabelverbindungen

Mit Hilfe des AISS-Baukastens lässt sich eine individuelle AISS-Lösung zusammenstellen, die genau für die vorgesehene Aufgabe abgestimmt ist. Das Evaluierungsboard DNP/AISS1 dient dabei als Grundlage und wird wie gewünscht modifiziert, was die Entwicklung eines eigenen Systems deutlich beschleunigt.

Ethernet-LAN-Verbindung

Hier stehen eine ganze Reihe Sensorelemente für nahezu jede Anwendung zur Auswahl, wie bespw. Trägheitssensoren, Kompass oder Sensoren für flüchtige Gase.

Stromversorgung

Verbindung des mitgelieferten Netzteils mit dem DNP/AISS1.

In dieser Toolbox sind auf der Programmiersprache Python basierende intelligente Algorithmen zur Datenanalyse zu finden, wie sie auch im AISS-Technology Stack enthalten sind.

Anwendungsbeispiel

3-Achs-Roboter mit Greifarm von fischertechnik (Bild: fischertechnik)

Ein 3-Achs-Roboter mit Greifarm wird von einer SPS gesteuert, um Bauteile von Position A nach Position B zu transportieren. Die SPS ist in der Regel nicht in der Lage, eine mechanisch bedingte Anomalie an dem Robotergreifarm rechtzeitig zu erkennen und würde solange weitermachen, bis aus der Anomalie ein Schaden entsteht und es "knackt". Da hilft es auch nicht, dass man die erforderlichen Sensorelemente – wie einen 3D-Beschleunigungssensor – relativ einfach am Roboterarm nachrüsten könnte. Schaltet man einen DNP/AISS1 zwischen die Sensoren und die SPS, sieht die Situation völlig anders aus: Der DNP/AISS1 verknüpft die 3D-Sensordaten zyklisch und klassifiziert per vortrainiertem Machine Learning-Algorithmus den Zustand des Roboters. Dabei entsteht jeweils ein diskreter Ausgangswert, der per Profinet an die SPS weitergegeben wird. An Hand dieses Wertes (der jeweils mit Hilfe intelligenter Algorithmen entsteht) kann die SPS nun eine Anomalie erkennen und eine Störung anzeigen.

Fazit: Durch die künstliche Intelligenz, wie sie bspw. in Form des maschinellen Lernens zur Verfügung steht, lässt sich jede Steuerungsanwendung mit intelligenten Funktionen aufrüsten (quasi ein KI- oder Machine Learning-Retrofit). Dadurch wird eine SPS anpassungsfähiger und kann in Grenzbereichen auf Situationen reagieren (z. B. das Auftreten einer Anomalie), die bei der Entwicklung der Steuerung nicht vorgesehen bzw. vorprogrammiert wurden. Damit lassen sich Servicearbeiten zielgenauer planen und die Verfügbarkeit einer Maschine oder Anlage verbessern.

Trainingsmodus

Im Exploration & Modelling Mode wird auf einem Entwicklungssystem per Supervised Machine Learning ein Modell für einen bestimmten KI-Algorithmus erzeugt und validiert. Dafür liefert der DNP/AISS1 Sensorrohdaten als n-dimensionale Merkmalsvektoren.

Damit ein AISS wie im obigen Anwendungsbeispiel eine Anomalie am Robotergreifarm überhaupt als solche erkennen kann, muss zuerst ein KI-Algorithmus ausgewählt und trainiert werden. Auswahl und Training findet im sog. Exploration & Modelling Mode (kurz EMM) des AISS statt. In diesem Betriebszustand wird per Machine Learning (ML) ein Modell für den KI-Algorithmus erzeugt.

Zuvor müssen allerdings einige wichtige Fragen geklärt werden:

  • Welche Fragestellung ist durch die KI zu beantworten und welche Sensorrohdaten werden dafür benötigt (bspw. Beschleunigungsdaten)?
  • Mit welcher Frequenz müssen die Sensordaten übertragen und ausgewertet werden und welches Preprocessing ist vor der Datenanalyse erforderlich?
  • Welcher KI- bzw. ML-Algorithmus ist für die Aufgabe am besten geeignet (z. B. KNN-Klassifizierung, Regressionsanalyse oder neuronales Netz)?

Sind diese Fragen geklärt, kann mittels Supervised Machine Learning auf einem externen Rechner als Entwicklungssystem ein geeignetes ML-Modell erzeugt und validiert werden.

Die Sensoren am Greifarm übermitteln dafür ihre Rohdaten in der gewünschten Frequenz als sog. n-dimensionale Merkmalsvektoren an die Connectivity-Komponente des AISS, welche die Daten per Ethernet-LAN an das Entwicklungssystem (z. B. R, Jupyter, MATLAB...) weiterleitet. So entsteht auf dem Entwicklungssystem aus den Daten der AISS-Sensoren ein ML-Modell des jeweiligen Roboterbetriebs. Anschließend wird das gelernte Modell in mehreren Testläufen mit Hilfe weiterer Sensordaten validiert und ggf. erneut trainiert, bis ein zufriedenstellendes Ergebnis bzgl. der Klassifizierungs- bzw. Vorhersagegenauigkeit vorliegt. Liefert das Modell hinsichtlich der Genauigkeit mit echten Zustandsdaten des Roboters zuverlässige Ergebnisse, wird es in den AISS geladen (ggf. ist zuvor eine Konvertierung erforderlich). Auf dem Zielsystem läuft das ML-Modell dann im AISS-Arbeitsmodus, um Zustände in Echtzeit zu klassifizieren bzw. vorherzusagen.

Arbeitsmodus

Die KI-Software vergleicht in Echtzeit die aktuellen Messungen der Sensorik mit denen des im EMM (s. o.) erzeugten ML-Modells und liefert einen Ausgabewert über die Connectivity an die SPS.

Das im Trainingsmodus erzeugte und getestete ML-Modell wird in den AISS geladen und der AISS kann seine eigentliche Arbeit im sog. Inference Engine Mode (kurz IEM) beginnen. In dieser Betriebsart erfolgt eine periodische Datenanalyse mit einer fortlaufenden Ergebnisweitergabe an externe Systeme. Der KI-Algorithmus des AISS gleicht nun im Normalbetrieb des Roboters periodisch die aktuellen Datenmuster in Echtzeit mit denen des Modells ab und veranlasst bei Abweichungen die SPS z. B. eine Warnmeldung zu verschicken oder den Roboter abzuschalten. Dabei übermitteln die Sensoren des Roboters zyklisch die jeweils gemessenen Merkmalsvektoren als Objekte an den KI-Algorithmus, der diese Objekte beispielsweise in einem sog. Merkmalsraum einordnet (die genaue Vorgehensweise ist vom jeweiligen Algorithmus abhängig).

Der Merkmalsraum ist ein mehrdimensionaler mathematischer Raum. Die Position eines bestimmten Objekts in diesem Raum wird jeweils durch die einzelnen Messwerte eines Vektors bestimmt. Jeder Sensormesswert des Merkmalsvektors entspricht einer Dimension. Der KI-Algorithmus bewertet die Positionen der Merkmalsvektoren an Hand der gelernten Daten des ML-Modells und liefert einen Ausgabewert (z. B. die Klassifizierung der Position eines Vektors innerhalb der erlernten Bereiche) an die Connectivity-Komponente.

Abmessungen des DNP/AISS1

Abmessungen des DNP/AISS1

Das DNP/AISS1 Starterkit

Das DNP/AISS1 Starterkit

Lieferumfang

  • 1x Taschenbuch "Machine Learning – kurz & gut" von O'Reilly
  • 1x Steckernetzteil
  • 1x DNP/AISS1
  • 1x Verbindungskabel 30 cm
  • Erste-Schritte-Webinar

Hier Starterkit anfragen!

DIL/NetPC DNP/9535

Technische Daten

Hier technische Daten einfügen.

Shopping List
Bread & Butter Pie Buns Danish Croissant
Cheese Ice cream Butter Yogurt

Downloads

Kontakt und Support

Fragen oder Anregungen? Kontaktieren Sie uns:


SSV Software Systems GmbH

Dünenweg 5

D-30419 Hannover


Fon: +49 (0)511/40 000-0
Fax: +49 (0)511/40 000-40
E-Mail: sales@ssv-embedded.de


Homepage: https://www.ssv-embedded.de/
Forum: https://www.ssv-comm.de/forum/