Kurzentschlossene aufgepasst!
Konferenz Internet of Thing – 20 % Rabatt
Am 11. Oktober 2022 findet die Konferenz »Internet of Things – Vom Sensor bis zur Cloud« in München statt. Welche Themen und Referenten Sie erwarten, zeigt der Überblick. Buchen Sie jetzt Ihre Teilnahme und sichern Sie sich 20% Rabatt mit dem Rabattcode IOT22NLELNET.
Das gesamte Programm und die Anmeldung finden Sie auf der Event-Webseite der Konferenz Internet of Things – Vom Sensor bis zur Cloud.
Eröffnungs-Keynote: Industrial Metaverse – KI unterstützte Instandhaltung mit Hilfe von Spot Robotern
Die beiden Sprecher geben in ihrem Vortrag einen Überblick über aktuelle Smart-Product- und Smart-Factory-Anwendungsfälle, die mit der Microsoft-Azure-IoT-Edge-to-Cloud-Technologie umgesetzt wurden. Zusätzlich wird ein konkretes Kundenbeispiel für die Optimierung der Instandhaltung vorgestellt, bei dem mit Hilfe künstlicher Intelligenz und des Spot-Roboters signifikante Einsparungen erreicht wurden.
11. Oktober 9:15 bis 10:00
Die verschiedenen Sessions
Nach der Eröffnungs-Keynote finden zeitlich parallel verschiedene Sessions statt: Am Vormittag Session 1 (Künstliche Intelligenz im IoT) und Session 2 (Digitaler Zwilling und Retrofit), am Nachmittag Session 3 (Security und Open Source) und Session 4 (Best Practices). Den Abschluss der Konferenz bildet eine gemeinsame Abschluss-Keynote mit dem Titel »KI, Ethik und Recht«.
Session 1: Framework für den Daten- und KI-Lebenszyklus
In der Industrie 4.0 werden durch intelligente Vernetzung von Maschinen und Abläufen immer mehr Daten generiert. Aus diesen Daten kann – mithilfe von Künstlicher Intelligenz (KI) – Wissen generiert werden, um Produktion und Services zu verbessern. Jedoch existieren Herausforderungen, die die Analyse mithilfe von KI erschweren: Heterogenität der Produktionssysteme, hoher Koordinationsaufwand für einen Data Scientist, sowie fehlende Flexibilität für den KI-Betrieb.
Um diese Herausforderungen zu bewältigen, entwickelt das Fraunhofer IKS im Rahmen des REMORA Forschungsprojekt ein Framework für den Daten- und KI-Lebenszyklus. Ziel ist es, die Entwicklung von KI zu unterstützen, die Integration von KI (von der Komponentenebene bis hin zur Cloud) zu flexibilisieren, und den automatisierten, kontinuierlichen Betrieb von KI zu ermöglichen.
Anhand eines Beispiels – Prädiktive Wartung an einer Produktionslinie – soll das Framework und seine Nutzung veranschaulicht werden: von der Datensammlung aus Maschinen und Sensoren, über KI-Training in der Cloud, bis hin zum kontinuierlichen Echtzeitanalyse.
11. Oktober 10:0 bis 10:30
Session 1: Aktuelle KI-Architekturen zur robusten automatischen Erkennung und Transkription von Sprache
ASR–Systeme (Automated Speech Recognition) stellen neben herkömmlichen Interfaces (u.a. Screens, Keyboards, Touchpads) eine weitere Schnittstelle zwischen Mensch und Computer dar. Besonders nützlich sind ASR-Systeme vor allem, weil sie eine Kommunikation ohne direkte physische Interaktion mit einem IT-System ermöglichen. Die wissenschaftliche Community und Expert*innen sind sich einig, dass der Einsatz von ASR-Systemen weiter zunehmen wird. Zur Erstellung eines ASR-Systems müssen technisch komplexe Herausforderungen gelöst werden. Ein Sprach-Audiosignal ist aus unterschiedlichen Gründen für Computer sehr schwer zu interpretieren. So vermengt sich beispielsweise das Sprachsignal mit anderen Geräuschen oder ist von Person zu Person, selbst wenn diese dieselbe Sprache sprechen, mehr oder weniger unterschiedlich. Erste praktisch einsetzbare ASR-Systeme als Marktlösungen bedienen sich einer Systemarchitektur, die auf wahrscheinlichkeitstheoretischen Ansätzen (bspw. Gausian Mixture Model) und einfachen Sprachmodellen basieren. Diese Systemarchitekturen waren in der Vergangenheit und sind auch heute weiterhin im Einsatz. Ein wichtiger Entwicklungssprung hinsichtlich der Leistungsfähigkeit dieser Modelle wurde durch den Einsatz von Deep-Learning-Netzwerken, oft in Kombination mit einer Erhöhung der Trainingsdatenmenge, erreicht. Durch den Einsatz von Deep-Learning-Methoden im Bereich der automatisierten Spracherkennung ergeben sich, bedingt durch die fast schon jährlichen Forschungsdurchbrüche im Bereich des Deep Learnings, ständig neue AI-Architekturmöglichkeiten. Zu den technischen Aspekten kommt hinzu, dass mehr und mehr private Unternehmen in diesen Forschungsbereich einsteigen. Die Gründe dafür sind, dass auch diese den hohen Wert einer zusätzlichen Mensch-Maschinen-Schnittstelle erkannt haben. Beispielsweise haben Google, Microsoft, Amazon und Facebook AI mittlerweile zahlreiche Forschungsarbeiten zu diesem Thema finanziert und veröffentlicht. Aus diesen technischen und wirtschaftlichen Gründen gibt es heute eine Vielzahl an unterschiedlichen ASR-Architekturen. Eine wissenschaftliche Recherche der DNDY. Data and Design GmbH hat Ende 2021 über 100 relevante wissenschaftliche Arbeiten zu diesem Thema identifiziert und analysiert. Zur Kategorisierung und Vorauswahl der recherchierten Modelle wurde eine Abstufung anhand der Leistungsfähigkeit der einzelnen Architekturen getroffen. Dieser konnte anhand öffentlich zugänglicher ASR-Datensätze durchgeführt werden, die von der Forschungs-Community als Test-Datensätze zur Verfügung gestellt werden.
Unser Vortrag möchte die folgenden Fragestellungen beantworten:
• Sind Deep-Learning-Technologien für die robuste automatisierte Spracherkennung endgültig der Standard?
• Welche Deep-Learning-Methoden sind in welchen Abschnitten des Spracherkennungsprozesses besonders vielversprechend?
• Welche Einflüsse haben andere Deep-Learning-Forschungsfelder auf die ASR-Forschung?
11. Oktober 10:30 bis 11:00
Session 1: Objekterkennung on Edge
Als Objekterkennung wird das Erkennen von einem oder mehreren Objekten in Sensordaten bezeichnet. Hier gibt es viele Anwendungsfelder, sei es das Lokalisieren von weiteren Verkehrsteilnehmern beim autonomen Fahren oder das Erkennen von Produkten in industriellen Fertigungsprozessen. Durch diese unterschiedlichen Anwendungsbereiche ergeben sich, basierend auf ihrer Anwendungsumgebung, Systeme mit mehr oder weniger Rechenleistung und Speicherkapazität.
Bei Bild- oder Videodaten ist es das Ziel, das Objekt z.B. durch eine Bounding Box zu lokalisieren und einer Klasse zuzuordnen. Besonders in diesem AnwendungsbereichE gibt es bereits sehr gute Deep Learning Ansätze, die Objekte mit hoher Genauigkeit erkennen. Sie basieren meist auf komplexen Convolutional Neural Network (CNN) Architekturen, die über viele Layer immer komplexere Bildeigenschaften erkennen. So werden beispielsweise anfangs Farben und Kanten erkannt, welche in späteren Layern größere Formen bilden. Ihre hohe Komplexität erfordert allerdings auch, dass entsprechend viele Trainingsdaten und Rechenleistung zur Verfügung stehen.
Ziel dieses Vortrags ist es aufzuzeigen, wie sich Objekterkennung auch mit wenig Daten und Hardwareressourcen, also on Edge, umsetzen lässt. Dazu haben wir Python und den NVIDIA Technologiestack genutzt, um performante Objekterkennungsmodelle via Transferlearning für verschiedene Anwendungsszenarien anzupassen und über Pruning so lange Parameter zu entfernen, bis die Architektur auf einem Nvidia Jetson Nano einsetzbar ist. Auf diese Weise lässt sich mit begrenzter Hardware eine Echtzeit-Objekterkennung in Videostreams umsetzen. Zur besseren Einordnung haben wir dieselbe Objekterkennung auf einem weiteren Technologiestack von Luxonis und Intel implementiert.
11. Oktober 11:30 bis 12:00
Session 1: Edge-KI für die Automation: Mit smarter Hardware zu smarten Daten
Leistungsfähige neuronale Netze kommen mittlerweile in vielen Gebieten zum Einsatz und können perspektivisch auch das industrielle Umfeld erobern. Auf Grundlage „smart“ erfasster und verarbeiteter Daten kommen Einsatzgebiete wie Condition-Monitoring oder Predictive Maintenance in Betracht. Nötig wird dafür die Datenerfassung und -analyse von Komponenten bis hin zu ganzen Anlagen mit dem Ziel, die richtigen Daten an der richtigen Stelle effizient bereitzustellen.
Heute erfassen Sensoren Daten, die meist noch an einen leistungsfähigen Server übertragen und dort zentral ausgewertet werden. Mit der wachsenden Anzahl von Sensoren wird das Datenaufkommen jedoch immer größer und die Datenübertragung und -analyse immer zeit- und energieaufwendiger.
Ein Ausweg ist der Einsatz von smarten Lösungen nah am Sensor. Kontinuierliche Messdaten lassen sich so bereits frühzeitig vorverarbeiten und lediglich relevante Ergebnisse oder bestimmte Zustände müssen an den zentralen Server weitergeleitet werden.
11. Oktober 12:00 bis 12:30
Session 1: Multikriterielles AutoML für TinyML unter Berücksichtigung des Energiebedarfs
Philipp Woller/Fraunhofer-Institut für Integrierte Schaltungen IIS
© WEKA Fachmedien/Fraunhofer-Institut für IISHintergrund – Die gute Verfügbarkeit von Methoden aus dem Bereich der künstlichen Intelligenz (KI) und zahlreich erhältliche eingebettete Sensorsysteme bilden die Voraussetzung für eine Vielzahl neuer, intelligenter “IoT”-Anwendungen in sehr kurzer Zeit. In der Realität führt jedoch die geringe Überschneidung der Kompetenzen von Entwicklern eingebetteter Systeme (HW) und Data-Scientists (SW) häufig zu langen Entwicklungszyklen. Der HW Entwickler kann die HW-Anforderungen von datenbasierten Projekten nur schwer abschätzen, während der SW-Entwickler teils nicht in der Lage ist, die Einhaltung der Randbedingungen für eingebettet Systeme wie Speicher- oder Energiebedarf zu gewährleisten.
Ziel - Um diese beiden Welten zusammenzubringen entwickelt das Fraunhofer IIS verschiedene AutoML-Verfahren, die sowohl die Energieaufnahme auf dem Zielsystem, als auch die Performanz der KI-Pipeline als Optimierungsziele berücksichtigt.
11. Oktober 12:30 bis 13:00
Session 2: Digitaler Zwilling und Retrofit
Session 2: Wie das Internet-of-Things und digitale Zwillinge voneinander profitieren
Die meisten Anlagen und Installation verfügen über IoT- Sensoren, deren Daten in eigene Clouds gespeichert werden. Eine Kommunikation der Geräte und Installationen unterschiedlicher Hersteller untereinander wäre in vielen Fällen hilfreich, ist jedoch nicht immer möglich. Der Vortrag zeigt, wie die IoT-Systeme in einem gemeinsamen fotorealistischen digitalen Zwilling verortet und in einer visuellen Umgebung dargestellt werden können. Bei den hier beschriebenen fotorealistischen digitalen Zwillingen handelt es sich um digitale Repräsentanzen physischer Objekte, die auf Grundlage von Digitalkamerafotos erzeugt werden und sich dank mathematischer Methoden maßhaltig verhalten. Durch die Verwendung von Fotos lassen sich diese Zwillinge ohne großen Kostenaufwand an die sich wandelnde Realität anpassen. Auch eine Überlagerung der Zwillinge mit 3D-Modellen/CAD-Zeichnungen ist möglich. Mithilfe sog. Points-of-Information werden die Mess- und Sensordaten mit dem Zwilling verknüpft und dreidimensional verortet. Ferner stellen modernste IT-Schnittstellen, wie Webservices, die problemlose Anbindung an die unterschiedlichsten Datenquellen sicher. Auch vorhandene Auswertungen, Dashboards oder sonstige Informationen lassen sich unkompliziert in den Zwilling einbinden. Die Kombination aus visueller Repräsentanz und IoT-Daten ermöglicht dem Anwender einen Einblick in die Umgebung in Echtzeit, auch aus entfernten Standorten. Digitale Zwillinge können auch als Grundlage für AR-Anwendungen dienen.
11. Oktober 10:00 bis 10:30
Session 2: Einsatz von digitalen Zwillingen für die Qualitätsüberwachung und Prozessoptimierung von spanenden Fertigungs
Ein erfolgsversprechender Ansatz für ein Fertigungsunternehmen liegt in der Akquise vorhandener Daten aus bestehenden Einzelprozessen bzw. Prozessketten und die anschließende intelligente Auswertung zur Erlangung neuen Wissens. Eine Schlüsselrolle nehmen digitale Zwillinge für Zerspanprozesse ein, mit welchen sich die Qualität des Fertigungsprozesses und das Arbeitsergebnis dokumentieren, bewerten und beeinflussen lassen. Diese digitalen Zwillinge für Zerspanprozesse beruhen auf den Prozess- und Planungsdaten, die aus dem das Bauteil erzeugenden spanenden Fertigungsprozess resultieren. Zur automatisierten Erzeugung dieser digitalen Zwillinge werden alle an der Fertigung bzw. in der Fertigungsumgebung beteiligten Daten- und Informationsquellen verknüpft und zusammengeführt, wodurch die komplette Digitalisierung der Fertigungskette realisiert wird. Die hochfrequente Erfassung alle geometrischen, kinematischen und leistungsspezifischen Prozessdaten erfolgt über die Werkzeugmaschine und werden mit Hilfe von intelligente Datenverarbeitungsmethoden auf Basis eines neuen Informations- und semantischen Datenmodells synchronisiert, strukturiert und aufbereitet.
11. Oktober 10:30 bis 11:00
Session 2: Digitaler Zwilling: Vom Mythos zum Erfolgsgaranten – Wie wir dauerhaft echte Mehrwerte schaffen
Ein digitaler Zwilling einer Maschine oder einer ganzen Fertigungslinie verspricht, die Alltagsprobleme von Fertigungsbetrieben zu lösen – allen voran das Problem der mangelnden Transparenz. Doch einen digitalen Zwilling allein auf das Schaffen von Transparenz zu reduzieren, verspielt wertvolles Potenzial. Einen Digitalen Zwilling isoliert auf dem Shopfloor zu betrachten, wird den hohen Erwartungen an die Digitalisierung nicht gerecht. Mit der richtigen Methodik können die vielen verschiedenen digitalen Zwillinge eines Produktionsbetrieb orchestriert und choreografiert und damit der gesamte Wertschöpfungsprozess für wettbewerbsstärkende Innovationen geöffnet werden.
Im Vortrag wird anhand der Ergebnisse eines Digitalisierungsprojekts diese erprobte Methodik vorgestellt, die Antworten auf die Fragen
* Welcher Digitaler Zwilling ist der richtige für mich?
* Wieviel digitaler Zwilling ist genau richtig für mich?
* Wo starte ich?
liefert. Weiterhin wird ein Zusammenhang von "Digitalen Zwillingen" mit dem Trendthema "Hyperautomation" hergestellt und ein Ausblick auf die neuen Handlungsfelder der IT- und Produktionsleiter gegeben.
11. Oktober 11:30 bis 12:00
Session 2: KI-Retrofit für Steuerungen: Condition Monitoring für Antriebselemente mit TinyML
Unzählige Steuerungslösungen in Maschinen und Anlagen berücksichtigen nur unzureichend den aktuellen Zustand der mechanischen Komponenten eines Antriebsstrangs, wie z. B. die Abnutzung von Motoren, Lager, Lüfter, Pumpen usw. Das gesamte Verhalten einer Steuerung lässt sich grundlegend verändern, wenn eingangsseitig nicht nur die klassische Führungsgröße zur Verfügung steht, sondern beispielsweise auch eine kategoriale Variable zum Zustand der Antriebsstrangkomponenten in der jeweiligen Steuerstrecke. Qualitativ hochwertige Condition-Monitoring-Eingangsdaten ermöglichen ein intelligentes Systemverhalten. Die Regel- bzw. Steuergröße am Steuerungsausgang lässt sich dynamisch an den aktuellen Zustand der Mechanik anpassen. Störungen, wie z. B. die Unwucht eines rotierenden Bauteils, akustische Anomalien auf Grund eines Lagerschadens im Frühstadium, thermische Auffälligkeiten eines Schleifringkörpers, ein komplett ausgefallenes Antriebselement und andere verschleißbedingte Störgrößten der Steuerstrecke werden rechtzeitig erkannt und lassen sich durch die SPS-Software berücksichtigen.
Der Beitrag zeigt auf, wie sich mit Hilfe verschiedener Sensoren die erforderlichen Echtzeit-Rohdaten zur Zustandsbestimmung erfassen lassen, um die Führungsgröße einer Steuerung mit hochwertigen Condition-Monitoring-Daten zu erweitern. Als Sensorelemente lassen sich beispielsweise kapazitive MEMS-basierte Inertialsensoren zur Messung von Beschleunigung und Winkelgeschwindigkeit oder Infrarot-Sensorarrays zur Temperaturmessung in Flächen einsetzen. In beiden Fällen entstehen mehrdimensionale Daten, die sich besonders für die Analyse per Supervised Machine Learning (ML) eignen. Dabei wird per Regression oder Klassifizierung eine kategoriale Zustandsvariable berechnet, die sich an einen SPS-Eingang weiterleiten lässt.
Da der ML-Einsatz zur Echtzeit-Sensordatenanalyse in direkter Nähe von Sensorik und Steuerung erfolgen soll (also nicht irgendwo in einer Cloud oder auf einem zentralen, hochperformanten Edge-System), sind besondere Softwarebausteine notwendig, mit denen sich eine Inferenzfunktion erstellen lässt, die auf ressourcenbeschränkten Mikrorechnern ablaufen kann. Insgesamt soll der Vortrag daher die folgenden drei Fragen beantworten:
- Wie ist die Vorgehensweise beim Einsatz eines Supervised-Machine-Learning-Algorithmus, um aus mehrdimensionalen Sensordaten eine Condition-Monitoring-Eingangsvariable für Steuerungen zu erzeugen
- Was ist bei der Machine-Learning-Modellbildung zu beachten und was sind die typischen Fehler in der Praxis?
- Wie sieht ein typisches Beispiel aus und warum sollte man TensorFlow, TensorFlow Lite bzw. TinyML als Softwarebausteine für das maschinelle Lernen einsetzen?
11. Oktober 12:00 bis 12:30
Session 2: Retrofitting von Bestandsmaschinen mit IoT-Funktionalität
Eine der größten Hürden bei der Integration von Bestandsmaschinen in das Internet der Dinge ist, dass diese häufig nicht mit einer adäquaten Schnittstelle ausgestattet sind. Der Ersatz dieser Maschinen ist weder nachhaltig noch wirtschaftlich sinnvoll, an dieser Stelle kommen Retrofitting-Systeme zum Einsatz.
Die Prototyping-Phase eines neuen Retrofitting-Systems umfasst normalerweise die Verbindung der wichtigsten Systemkomponenten wie Sensoren, Mikrocontroller und das Funkmodul. Dies kann entweder durch eine einzige Platine mit allen Komponenten, oder durch das Verbinden einzelner Evaluierungsplatinen über Jumperkabeln geschehen. Hierbei ist der erste, monolithische Ansatz teuer und unflexibel, während der zweite, modulare Ansatz fehleranfällig und kompliziert ist. Um beide Nachteile zu überwinden, wird der Adafruit FeatherWing Formfaktor und dessen standardisierte Pin-Belegung genutzt. Mit diesem Ansatz der Komponentenbildung gibt es eine Reihe von stapelbaren Boards die untereinander kombinierbar sind, dies bietet eine hohe Flexibilität und minimierte Fehlerquellen. Dieser Ansatz der Komponentenbasierten Systementwicklung ist in der Softwareentwicklung bereits weit verbreitet und wird in diesem Fall, durch die Nutzung von Software-Bibliotheken, angewendet.
Im Vortrag soll die Modularität für einen Retrofit-Anwendungsfall demonstriert werden, indem eine RS232-fähige Maschine über MQTT via Wi-Fi an eine Cloud angebunden wird, hierbei sind der Mikrocontroller und die Schnittstellen austauschbare Module.
11. Oktober 12:30 bis 13:00
Session 3: Security und Open Source
Session 3: EU Cyber Resilience & Cyber Security Act - Ein Überblick
The Cybersecurity Act strengthens the EU Agency for cybersecurity (ENISA) and establishes a cybersecurity certification framework for products and services.
The core business of critical sectors such as transport, energy, health and finance is increasingly dependent on digital technologies.
Connected devices, including machines, sensors and networks that make up the Internet of Things (IoT), as well as their security, will play a key role in shaping Europe's digital future.
11. Oktober 14:00 bis 14:30
Session 3: Edge Computing auch für Security in der IIoT
Edge Computing ist nicht einfach nur Rechenleistung an oder in der Nähe von Anlagen und Maschinen. Edge Computing kann verbinden, berechnen, betreiben. Aber auch entkoppeln, absichern und verstecken. Edge Computing kann nicht nur Maschinen und Anlagen smarter machen.
Es kann sie sicherer machen. Und nicht nur die Maschinen und Anlagen. Sondern auch die Applikationen, die auf einem Edge Computing Gerät betrieben werden, können geschützt werden. Nicht nur können, sondern müssen geschützt werden. Warum? Weil wir uns darauf verlassen, dass die Applikationen manipulationsfrei sind. Weil die Ergebnisse dieser Applikationen für unser Business entscheidend sind. secunet zeigt im Vortrag „Secure Edge Computing“ warum die IT Sicherheit auch hier erforderlich ist. Und wie sicheres Edge Computing aussehen kann.
11. Oktober 14:30 bis 15:00
Session 3: Schutz und Sicherheit für Machine Learning
Machine Learning ist das Trainieren einer Künstlichen Intelligenz (KI), meist mit vielen Daten. Mit Hilfe des trainierten Modells können dann Vorhersagen für weitere Daten getroffen werden.
Beispiel wäre eine Untersuchung auf Tuberkulose mit Röntgengeräten. Mit Hilfe von Machine Learning kann dies automatisiert und auch für Allgemeinärzte zugänglich gemacht werden. Das trainierte Modell ist das geistige Eigentum des Herstellers des Gerätes.
Die Trainingskonfiguration und das trainierte Model benötigten besonderen Schutz, egal ob das Modell in der Cloud verwendet wird oder auf einer Hardware direkt beim Allgemeinarzt in der Praxis läuft.
Für beide Fälle bietet CodeMeter eine generische Lösung durch die Verschlüsselung des Datenmodells und damit Schutz gegen unbefugte Benutzung, Weitergabe und Analyse.
Am medizinischen Beispiel sieht man auch die Bedeutung der ursprünglichen Trainingsdaten, die persönliche Daten enthalten. Hier sind weitere Bedrohungen zu betrachten. Der Diebstahl der Daten auf einer Seite und die Verfälschung der Daten auf der anderen Seite.
Und auch hier kann CodeMeter durch Verschlüsselung und Signatur der Daten helfen.
Im ersten Teil des Vortrags zeigen wir Ihnen kurz die spezifischen Bedrohungen und Gefahren, die beim Machine Learning auftreten. Im zweiten Teil zeigen wir einen kurzen Überblick über CodeMeter Protection Suite und wie diese für den Schutz von Datenmodellen eingesetzt werden kann.
Maschine Learning ist eine Option für neue Produkte und der Schutz der erzeugten Datenmodelle gegen unbefugte Nutzung, Weitergabe und Analyse ist essenziell.
11. Oktober 15:00 bis 15:30
Session 3: Nachhaltiger Konsum von Open-Source für's IoT
Für viele Unternehmen ist das Konzept "Open-Source" noch relativ neu. Vor allem im produzierenden Gewerbe fängt es gerade erst an Fuß zu fassen.
Der Teil, den die meisten Unternehmen schnell verstehen, ist dass Open-Source kostenlos zur Verfügung steht. Das ist allerdings nur eine Facette.
In diesem Vortrag geht es mir darum, auch die anderen Facetten zu beleuchten:
Open-Source ist nämlich so unendlich viel mehr. Begleiten Sie mich daher auf eine Reise in eine Welt, in der Konkurrenten gewinnbringend zusammen arbeiten können, in der kleine Unternehmen schaffen können, was sonst nur großen Konzernen möglich ist. Auch möchte ich aufzeigen, dass trotz Open-Source dies nicht Dinge wie: Kommerziellen Support, SLAs und Consulting ausschließen muss.
Allerdings will ich auch aufzeigen, dass ich etwas ändern muss. Die Art und Weise, wie momentan auf Open-Source zurückgegriffen wird, wird sich so nicht mehr sehr viel länger aufrecht erhalten lassen. Situationen wie Log4Shell und der Faker.js/Color.js Zwischenfall sowie andere Fälle, in denen Open-Source Aktivisten die Segel streichen sind hierbei Symptome eines Systemischen Problems. Eines Problems für welches wir dringend Lösungen finden müssen.
11. Oktober 16:00 bis 16:30
Session 3: Einsatz Elastic - Stack für die Übertragung, Speicherung und Analyse von Maschinenmetriken und Zustandsdaten
Die Übertragung von Maschinenmetriken und Zustandsdaten bei mobilen Arbeitsmaschinen steht vor der großen Herausforderung einer nicht immer optimalen Mobilfunk - Netzabdeckung. Aus diesem Grund kommt der Datenspeicherung und dem automatisierten Nachladen von historischen Daten eine besondere Bedeutung zu, um einen nahtlosen Service im After Sales zu bieten, Produkte anhand der Daten zu optimieren und neue digitale Produkte und Services anbieten zu können. Der spezialisierte Einsatz des ELK - Stacks und den damit verbundenen Komponenten wie Filebeat, Elastic - Stack und Kibana können hier einen wertvollen Beitrag leisten. Hinzu kommt die Nutzung des Azure IoT Hubs bzw. des Digital Twins, um die Frequenz und die Menge der gesendeten Datenpunkte aus der Ferne zu parametrieren.
11. Oktober 16:30 bis 17:00
Session 4: Best Practice
Session 4: Alle Wege führen in die Cloud: Konzepte zur Datenübertragung in IoT Szenarien
Bei der Umsetzung von IoT-Projekten müssen eine Vielzahl von Architekturentscheidungen getroffen werden. Ein wichtiger Teilbereich davon ist die Kommunikation zwischen Geräten und der Cloud. In der IoT Welt haben sich verschiedene synchrone und asynchrone Konzepte zur Datenübertragung etabliert. Wir zeigen euch anhand praxisnaher Beispiele, welches Konzept sich für welchen Anwendungsfall besonders eignet. Lernt mit uns wie die integrierte IoT-Hub Kommunikation, Device Twins und weitere spannende Konzepte richtig verwendet werden können. Wir freuen uns darauf Erfahrungen und Best Practices aus unseren Projekten mit euch zu teilen.
11. Oktober 14:00 bis 14:30
Session 4: Device-2-Cloud - Von Embedded Linux zur Azure-Cloud mit Qt oder .NET
Embedded Geräte werden zunehmend vernetzt: Einbindung in lokale Wifi Netzwerke, kabellose Verbindungen zu mobilen Endgeräten oder die Nutzung von skalierbaren Cloud-Schnittstellen stehen häufig im Mittelpunkt bei der Implementierung von vernetzten embedded Geräten. Doch welcher Mix an Frameworks bietet hier eine optimale Umgebung um effizient ans Ziel zu kommen?
Im Vortrag wird ein Fallbeispiel vorgestellt: Ein Embedded Linux basiertes Linux-Gerät soll an die Cloud Lösung Microsoft Azure-IoT-Hub angebunden werden. Die notwendigen Schritte mit einer Umsetzung vom Device bis zur Cloud werden mit 2 unterschiedlichen Technologien demonstriert: Im ersten Fall wird die Anwendung, welche mit C++ Qt umgesetzt wurde, in Kombination mit dem Microsoft Azure IoT C-SDK cloudfähig gemacht. Im zweiten Fall handelt es sich um eine Anwendung, welche mit .NET für embedded Linux umgesetzt wurde. Abschließend werden die technischen Vor- und Nachteile gegenübergestellt.
11. Oktober 14:30 bis 15:00
Session 4: Praxisbericht: Behaviour Driven Development (BDD) für ein agiles embedded IoT-Entwicklungsprojekt mit interna
Ein Sprichwort in der Softwareentwicklung besagt, dass die mitunter größte Schwierigkeit darin liegt herauszufinden, was überhaupt zu entwickeln sei. Dies mag für Entwickler aus der Hardwareentwicklung überraschend klingen und zum Schmunzeln anregen. Für innovative IoT-Projekte mit einem erfahrungsgemäß hohen Softwareanteil ist aber oft genau diese Schwierigkeit der bestimmende Faktor bei Budgetüberschreitungen, Lieferverzug oder gar scheiternder Projekte. Eine agile Vorgehensmethode, die schon beim Anforderungsprozess ansetzt und eine lückenlose Spezifikation und eine sehr effiziente Kommunikation von Stakeholdern, Projektleitung, Entwicklern und der Validierung gewährleistet ist BDD oder Behaviour Driven Development.
Dieser Beitrag ist ein Erfahrungsbericht eines erfolgreich abgewickelten agilen Innovationsprojekts für eine embedded IoT-Anwendung im Bereich Werkzeugmaschinen. Die Umsetzung ist durch ein international verteiltes Team erfolgt. Der Schlüssel für den Erfolg waren der Einsatz von Methoden aus der modernen Softwareentwicklung mit BDD (Behaviour Driven Development). Diese wurden für das Anforderungsmanagement, Projektsteuerung und die begleitende Validierung für die Hardware nahe Entwicklung von embedded Systemen adaptiert und angewendet. Der praxisgerechte Beitrag beschreibt nicht nur die konkrete Projektorganisation und Vorgehensweise, sondern auch die eingesetzte open source Toolinfrastruktur für die kontinuierliche Integration und automatisierten Test.
11. Oktober 15:00 bis 15:30
Session 4: RUL Vorhersage eines Getriebemotors in der Cloud
Diese Präsentation zeigt, wie die Restnutzungsdauer (Remaining Useful Life - RUL) eines Servogetriebes durch Echtzeit-Streaming der Servomotor-Daten mittels eines Arduino-basierten Datenerfassungssystem in die Cloud (ThingSpeak) zu einem MATLAB basierenden RUL- Modell vorhergesagt werden kann.
Die Motorstrom-Signaturanalyse (MCSA) des Stromsignals, das den verwendeten Servomotor antreibt, wird zur Extraktion von Merkmalen im Frequenzbereich (Spektralbereich) über mehrere interessanten Frequenzbereiche verwendet, die auf Motor- und Getriebestörungen hinweisen. Aus einer Kombination von Merkmalen wird ein Healthindikator (HI) für die anschließende RUL-Vorhersage erstellt.
MCSA ist eine nützliche Methode für die Diagnose von Fehlern, die Drehmoment- oder Drehzahlschwankungen im Servogetrieben verursachen, die wiederum zu korrelierten Motorstromänderungen führen. MCSA hat sich als ideal für die Analyse von Motorfehlern erwiesen, da nur das Motorstromsignal für die Analyse benötigt wird und somit keine zusätzliche und teure Messhardware erforderlich ist. Die Erkennung von Getriebefehlern mit herkömmlichen Schwingungssensoren ist eine Herausforderung, insbesondere in Fällen, in denen der Getriebestrang für die Instrumentierung mit Beschleunigungsmessern oder anderen Schwingungssensoren nicht leicht zugänglich ist.
Diese Präsentation veranschaulicht, wie man ein Echtzeit-Datenstreaming-, Merkmalsextraktions- und RUL-Schätzsystem mit einfachen, handelsüblichen Komponenten aufbaut, die sich sowohl für das Prototyping von Industrieanwendungen als auch für Laborübungen in der Ausbildung eignen.
11. Oktober 16:00 bis 16:30
Session 4: Aufbau eines robusten IoT-Systems zum Monitoring von Abwasserpumpen mit Mustererkennung
Herausforderung: Toiletten in ICE-Zügen fallen zu oft aus
Lösung: vernetztes System von batteriebetriebenen Sensor-Nodes mit integrierter
Mustererkennung und Meldung von Störungen
Das von mir konzipierte System ist erfolgreich im Einsatz und überwacht vollautomatisch den Pumpeneinsatz und die Entsorgung der Schienenfahrzeuge bei der Deutschen Bahn. Ich berichte von praktischen Erfahrungen beim Projektmanagement und den zahlreichen technischen und organisatorischen Schwierigkeiten, die wir gemeinsam überwunden haben.
Architektur:
- Fuzzy Logic statt Deep Learning
- Edge Computing statt Cloud Computing
- Funkstandard LTE-M statt WiFi, Bluetooth oder LoRa
Anforderungen:
- Stabilität der Hard- und Software für monatelangen Nonstop-Einsatz
- Minimaler Energieverbrauch
- Wartungsfreier Betrieb
- Automatisches Ein- und Ausschalten bei Gebrauch
- Funktionen zur Fernwartung
- Verlässliche Klassifikation des Pumpenverhaltens
- Signalverarbeitung lokal im Modul
- Keine Übertragung aller Rohdaten, sondern nur sichere Ergebnisse
11. Oktober 16:30 bis 17:00
Abschluss-Keynote: KI, Ethik und Recht
Besonders im Zusammenhang mit der Verwendung von künstlicher Intelligenz gibt es Bestrebungen, auch ethische Aspekte zu diskutieren oder sogar zu normieren. Diese Präsentation gibt Hintergründe zu ethischen Konzepten sowie bestehenden und kommenden Rechtsgrundlagen (Stichwort: EU AI-Act), debattiert die Konflikte und Probleme hinter bestimmten Ansätzen und analysiert mögliche Auswirkungen auf die Gesellschaft.
11. Oktober 17:00 bis 17:30
Das könnte Sie auch interessieren
Embedded-Community stimmt für Favoriten ab
Erstmals wird auf der embedded world neben dem begehrten ‚embedded award‘ auch der ‚community choice award‘ vergeben. Das Besondere: Der Preisträger wird von der Embedded-Community bestimmt.
mehr...Preview on embedded world 2024
Inference can be as Compute Intensive as the Training
With CPUs, GPUs and FPGAs, AMD has all architectures that are used for AI. embedded world Keynote Speaker Dr. Salil Raje shares his view on AI.
mehr...Internationale Treffpunkte für die Embedded-Community
Vom 9. bis 11. April trifft sich die Embedded-Branche in Nürnberg – aber nicht nur dort, denn die embedded world findet 2024 auch in China und den USA statt. Wie ist es in China gelaufen? Was können wir in Nürnberg erwarten? Und ein Ausblick auf die...
mehr...Im Fokus: Künstliche Intelligenz
Das E-Paper der Januar-Ausgabe 2024
ChatGPT hat der Künstlichen Intelligenz im letzten Jahr einen enormen Schub verpasst – vor allem, was die öffentliche Wahrnehmung anbelangt. In dieser Ausgabe wollen wir die KI näher beleuchten und für die potenziellen industriellen Anwender etwas...
mehr...KI steigert Leistung von Software-Ingenieuren
Neue »Superkraft« für Software-Entwickler*innen: Eine KI-gestützte Programmierassistenz soll die Entwicklungslandschaft revolutionieren.
mehr...ERP-Trend-Prognose für 2024
Unit4 stellt eine Prognose über die wichtigsten ERP-Trends für das Jahr 2024. Claus Jepsen, Chief Product and Technology Officer, nennt neun Punkte, die er für relevant hält.
mehr...Das sind die KI-Trends 2024
Künstliche Intelligenz verändert die gesamte IT-Welt nachhaltig und hat enormen Einfluss darauf, wie Daten verstanden, analysiert und genutzt werden. KI hebt auch das Datenmanagement auf ein neues Level. Für das Jahr 2024 wurden fünf KI-Trends...
mehr...Open Industrie 4.0 Alliance zu App Store
Die OI4.0 Alliance und die App-Stores
Gemeinsam die Zukunft der Industrie 4.0 gestalten, ist das Ziel der Open Industry 4.0 Alliance. Flecs sitzt seit einem Jahr der Arbeitsgruppe ‚Application Management‘ vor. Samuel Greising, Geschäftsführer bei Flecs und Leiter der Arbeitsgruppe,...
mehr...Software im Online-Direktvertrieb
Das Unternehmen Flecs ging vor zwei Jahren mit einem neuen Geschäftsmodell an den Markt: es will die Installation und Aktualisierung von industriellen Apps auf Steuerungen automatisieren. Patric Scholz, Co-Founder, erläutert die Neuheiten zur SPS.
mehr...