DNP/AISS1: Erste Schritte: Unterschied zwischen den Versionen
[gesichtete Version] | [gesichtete Version] |
Wbu (Diskussion | Beiträge) |
Wbu (Diskussion | Beiträge) |
||
Zeile 1: | Zeile 1: | ||
<div class="breadcrumbs"> [[Hauptseite]] > [[AISS]]</div> | <div class="breadcrumbs"> [[Hauptseite]] > [[AISS]]</div> | ||
− | [[File:Igw936_titelbild.jpg|250px|thumb|right| | + | [[File:Igw936_titelbild.jpg|250px|thumb|right|DNP/AISS1]] |
DNP/AISS1: Evaluierungsboard für smarte Sensorik und KI | DNP/AISS1: Evaluierungsboard für smarte Sensorik und KI |
Version vom 11. Dezember 2018, 20:31 Uhr
DNP/AISS1: Evaluierungsboard für smarte Sensorik und KI Mit dem AISS-Baukasten lässt sich jede SPS mit künstlicher Intelligenz (KI) und Machine Learning nachrüsten. Testen Sie das Intelligenz-Update mit dem 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.
Damit 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.
Zudem sind verschiedene Gehäusevarianten von IP20 bis IP67 möglich. Ein weiteres Highlight ist ein zum Lieferumfang gehörendes Erste-Schritte-Webinar.
Ausstattung des DNP/AISS1
Sensoren
Das DNP/AISS1 ist mit diesen drei Sensorelementen von Bosch ausgestattet:
1x BME280: Luftfeuchtigkeit, Luftdruck und Temperatur 1x BMI160: 3-Achsen-Beschleunigungssensor 1x BMM150: 3-Achsen-Magnetometer
Aus den Sensorrohdaten werden mit Hilfe von KI-Algorithmen die jeweils gewünschten Informationen gewonnen und per Ethernet-Connectivity anderen Systemen zur Verfügung gestellt. Connectivity
Das DNP/AISS1 ist mit einer Ethernet-Schnittstelle ausgestattet. Die Software unterstützt die folgenden Protokolle:
Modbus Profinet MQTT REST OPC UA
Außerdem gehören noch VPN-Fernzugriffsfunktionen sowie die Datenfluss-Software Node-RED zur Connectivity. AISS-Technology Stack & KI-Software
Der Hauptbestandteil des AISS-Technology Stacks sind folgende Python Data Science-Funktionen:
Python 3 Laufzeitumgebung NumPy-Bibliothek für numerische Berechnungen Pandas-Bibliothek zum Auswerten und Bearbeiten tabell. Daten SciPy-Bibliothek für wissenschaftliches Rechnen (z. B. FFT) Matplotlib-Bibliothek für mathematische Darstellungen Seaborn-Bibliothek für statistische Grafiken Sklearn-Bibliothek für maschinelles Lernen Jupyter Notebook Kernel, ermöglicht Browserzugriff über einstellbaren TCP-Port
Damit ist bspw. die Modellentwicklung und -evaluierung von Predictive Maintenance-Anwendungen und Anomalieerkennungen möglich. Embedded System
Gesteuert wird das Gesamtsystem vom DIL/NetPC DNP/9535. Dieses kompakte Embedded System enthält den AISS-Technology Stack mit den diversen KI-Software-Bausteinen.
Der DNP/9535 basiert auf einer leistungsfähigen Embedded-Linux-Plattform, um direkt vor Ort und in Echtzeit (Edge/Fog Computing) diese vierstufige Verarbeitungskette zu durchlaufen:
Sensorrohdatenerfassung (bei Bedarf um Daten aus externen Quellen ergänzt) Datenvorverarbeitung (Data Cleaning und Preparing-Prozess) Datenanalyse (Machine Learning- oder Deep Learning-Algorithmen) Ergebnisweitergabe (z. B. an eine SPS oder Cloud)
Auf dem DNP/9535 ist auch die Datenfluss-Software Node-RED installiert, mit der sich ebenfalls auf die Ausgabewerte der KI-Algorithmen für weitere Aufgaben zugreifen lässt. Erste-Schritte-Webinar
Als Hilfestellung bei der Inbetriebnahme und Evaluierung des DNP/AISS1, gehört zum Lieferumfang auch ein Webinar mit folgenden Inhalten:
1. Grundlegende Prinzipien und Terminologie des maschinellen Lernens.
2. Ein vollständiger Machine-Learning-Prozess, inkl. Sensordatenerfassung, Datenaufbereitung, Modellierung und Modellbewertung.
3. Bewertung und Anpassung von maschinellen Lernmodellen.
4. Den Ausgang eines AISS-Machine-Learning-Algorithmus mit einer SPS oder Cloud verbinden.
Damit erhält der Anwender nicht nur die Hard- und Software, sondern auch das nötige Grundwissen, um eigenständig Machine Learning-Anwendungen zu entwickeln und damit jede SPS-Anwendung nachträglich mit künstlicher Intelligenz aufzurüsten.
Downloads
Kontakt und Support
Fragen oder Anregungen? Kontaktieren Sie uns:
SSV Software Systems GmbH
Dünenweg 5
D-30419 Hannover
Tel.: | +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/ |