Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Co n d i t i o n Mo n i t o r i n g 6 | w w w c o m p u t e r - a u t o m a t i o n d e · Sc r e e n Ed i t i o n 2 0 24 Intelligenter Sensor erkennt eigenständig Anomalien Am Fraunhofer CCIT wurde ein smarter Sensor entwickelt der Vibrationen an mechanischen Komponenten misst und mittels künstlicher Intelligenz vor Ort auswertet Dadurch werden Anomalien eigenständig erkannt und an die Cloud übermittelt Den Forschenden des Fraunhofer Cluster of Excellence Cognitive Internet Technologies CCIT ist es in ihrem Projekt ‚AIQ-Bo – AI enhanced Intelligent – Bolt‘ gelungen ein trainierbares KI-Modell das autonom Anomalien identifiziert in einen Vibrations-Sensor zu integrieren Die Innovation dabei Die KI wird am Sensor betrieben und erkennt direkt am Ort der Datenerzeugung Abweichungen Das ermöglicht den Forschern zufolge eine zukunftsweisende Art des Condition Monitoring – energieeffizient dezentral und auf kleinstem Raum Analyse direkt im Edge Device Vibrationen sind sowohl Indikatoren als auch häufige Ursache für Verschleiß und Schäden an Antriebssystemen Bei ‚AIQ-Bo‘ analysiert ein optimiertes KI-Modell in einem dreiachsigen Beschleunigungssensor die aufgezeichneten Vibrationsdaten Damit konnten die Forschenden des Fraunhofer CCIT KI in Der intelligente Sensor ‚AIQ-Bo‘ kann mit wenig Training an unterschiedlichen Systemen zum Condition Monitoring eingesetzt werden beispielsweise an Windenergieanlagen Brücken oder Brückenkränen einem Microcontroller direkt an der Wirkstelle so einsetzen dass sie Sensordaten energieeffizient und lokal auswertet Das heißt die Vibrationsdaten müssen für die Analyse nicht erst in die Cloud gesendet werden Die KI wird auf dem Gerät ausgeführt die Verarbeitung der Informationen findet über die Fraunhofer-Technologie ‚embeddif ai‘ dort statt wo sie anfallen im Edge Device Das trainierte KI-Modell im integrierten Mikrocontroller des Sensors erkennt selbständig ob die Komponente im Normalbetrieb läuft oder eventuell kritische Zustände erreicht – ohne Übertragung an die Cloud Erst dann wenn ein problematischer Status vorliegt wird dieser per Funk an die Cloud weitergegeben Dies reduziert die zu übertragende Datenmenge enorm und macht das System äußerst energieeffizient Ermöglicht wird dies durch das Open Source KI-Framework ‚AIfES‘ Artifical Intelligence for Embedded Systems Mit diesem lassen sich Künstliche Neuronale Netze KNN auf Bild Fraunhofer CCIT