KI-MUSIK4.0 Mikroelektronik-basierte universelle Sensor-Schnittstelle mit Künstlicher Intelligenz für Industrie 4.0

Abstract

Im Rahmen des Förderprojekts wurden KI-basierte Methoden erforscht, die sich energiesparend und effizient, v.a. aber dezentral auf Mikrocontrollern bzw. ASICs ausführen lassen, um den Zustand pneumatischer Antriebe im Anlagenumfeld zu beurteilen. Ein wesentliches Ziel des Projekts ist es, die Leckage pneumatischer Antriebe, die durch Schädigungen an der Kolbenstangendichtung auftreten kann, durch eine hochfrequente Abtastung (200 kHz) des Luftschalls komponentennah aufzunehmen, zu verarbeiten und entsprechend zu interpretieren. Hierdurch können Produktionsprozesse vorausschauend beurteilt werden und die Stabilität aufrechterhalten werden. Zur Erreichung der Ziele wurde zunächst ein breiter Datenpool für das Training des maschinellen Lernens generiert. Hierzu wurden mangels vorliegender defekter Komponenten, die Kolbenstangendichtungen pneumatischer Antriebe gezielt manipuliert, um ein breites und repräsentatives Feld an Daten für das Training des maschinellen Lernens bereitzustellen. Durch das Feature-Engineering sowie Parametervariationen wurden Modelle Maschinellen Lernens neben Ihrer Vorhersagegenauigkeit auch hinsichtlich ihrer Größe und Portierbarkeit auf einen Mikrocontroller optimiert. Der final entstandene Demonstrator erfüllt in Form einer kompakten Sensor-Einheit die gestellten Anforderungen an Nachrüstbarkeit, Recheneffizienz und Kommunikation. Durch das implementierte Modell konnte gezeigt werden, dass Leckagen an pneumatischen Antrieben hochfrequent gemessen und beurteilt werden können. Die Daten können durch einen integrierten OPC UA-Server im dezentral agierenden kompakten Sensor-System im Sinne von Industrie 4.0 an angebundene Steuerungen, EDGE-Rechner aber auch an übergeordnete Systeme übermittelt werden.