Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
#tonangeber Sc r e e n Ed i t i o n 2 0 24 · w w w c o m p u t e r - a u t o m a t i o n d e | 7 Co n d i t i o n Mo n i t o r i n g nahezu jeder Hardware in IoT-Geräten betreiben und trainieren Das Open Source KI-Framework ist vergleichbar und kompatibel mit den Python ML Frameworks wie TensorFlow Keras oder PyTorch In der aktuellen Version werden Feedforward Neural Networks FNN unterstützt die vollkommen frei konfiguriert werden können Auch gängige Aktivierungsfunktionen wie ReLU Sigmoid oder Softmax sind bereits integriert AIfES kann auf fast jedem System benutzt werden egal ob Mikrocontroller IoT-Gerät Raspberry PI PC oder Smartphone Besonders im Fokus steht jedoch die Ausführung der KI auf einfachen Mikrocontrollern und kleinen IoT-Geräten sogenannten ‚tinyML‘ Kleine selbstlernende batteriebetriebene Geräte können Sensordaten dort verarbeiten wo sie anfallen unabhängig von einer Cloud oder anderen Geräten Drahtloses KI-Retraining aus der Cloud Rechenintensive Aufgaben wie das Training des KI-Algorithmus oder die Berechnung eines neuen KI-Modells erfolgen in der Cloud Modellparameter können aktualisiert und per Funk an den Sensor zurückgesendet werden um die Anomalie-Detektion beispielsweise an veränderte Umweltbedingungen anzupassen Zur Übertragung der Daten kommt die Funktechnologie ‚mioty‘ zum Einsatz Energy Harvesting versorgt die Sensorik und das Funksystem mit Energie aus der unmittelbaren Umgebung und nutzt dabei z B Temperatur oder Sonnenlicht zur Stromerzeugung Eine alternative Versorgung durch kleine Batterien ist ebenso möglich Durch das automatisierte KIgestützte Condition Monitoring mit ‚AIQ-Bo‘ muss keine manuelle Prüfung der Anlage durch technisches Personal vorgenommen werden was im laufenden Betrieb – beispielsweise eines Offshore-Windparks – nicht realisierbar und mit hohen Ausfallkosten verbunden wäre Die Technologie-Lösung ist hochgradig anpassbar „Unser Ziel war es ‚AIQ-Bo‘ so flexibel zu gestalten dass es mit möglichst wenig Training an unterschiedlichen Systemen eingesetzt werden kann beispielsweise an Windenergieanlagen Brücken oder Brückenkränen“ so Dr Peter Spies verantwortlicher Projektleiter des Fraunhofer-Instituts für Integrierte Schaltungen IIS Auch das Training in der Cloud und der Transfer der Daten über Funk sei auf unterschiedliche Anwendungsszenarien übertragbar Die Projektpartner Am Projekt des Fraunhofer Cluster of Excellence Cognitive Internet Technologies CCIT beteiligt waren das Fraunhofer-Institut für Integrierte Schaltungen IIS das seine Technologie ‚embeddif ai‘ und Kompetenz bei den Themen Energy Harvesting sowie effiziente Kommunikation einbrachte und die Demonstration in einer Laborumgebung ermöglichte Zudem kommt das Open Source AI-Framework ‚AIfES‘ des Fraunhofer-Instituts für Mikroelektronische Schaltungen und Systeme IMS zum Einsatz das auch die Optimierung der KI-Modelle durchführte Das Fraunhofer-Institut für Windenergiesysteme IWES war für die Vibrationsmessungen an Prüfständen und Windenergieanlagen verantwortlich Die Sprecherrolle des Fraunhofer CCIT liegt beim AISEC ik