Wie KI das Internet der Dinge revolutioniert
Prädiktive Wartung
Beispiel aus der Praxis: Der intelligente Sensor der Firma Konux ermöglicht eine vorausschauende Wartung von Weichen.
Quelle: Konux
industrielle KI-Anwendungen aus. Mit Hilfe von Predictive Maintenance soll die Restlebensdauer (Remaining Useful Life, RUL) eines Bauteils oder einer Maschine vorhergesagt und so der optimale Zeitpunkt für Wartung, Reparatur oder Austausch identifiziert werden können.
Vorausschauende Wartung kommt heute bereits in vielen Unternehmen zum Einsatz. So nutzt etwa Thyssenkrupp Vorhersagemodelle in Kombination mit IoT-Daten, um die Wartung von Aufzügen zu optimieren. Der Hersteller verspricht, durch dieses System die Ausfallzeiten von Aufzügen um die Hälfte reduzieren zu können. Bei den Windkraftanlagen von Siemens Gamesa liefern über 300 Sensoren pro Tag mehr als 200 GByte an Daten. Sie werden unter anderem durch KI-basierte Methoden analysiert und für Wartungszwecke ausgewertet. Der Hersteller kann so nach eigenen Angaben über 99 Prozent aller drohenden Schäden am Antriebsstrang vorhersagen und 85 Prozent aller Alarme innerhalb von zehn Minuten aus der Ferne lösen.
Im Elektronikwerk Amberg setzt Siemens auf intelligentes Edge-Computing, um die Fertigung von Leiterplatten zu optimieren. Die KI-basierte Analyse der Prozessdaten aus den Schneidsystemen erlaubt es, drohende Ausfälle mit bis zu 36 Stunden Vorlauf vorherzusagen und damit Verschleissteile rechtzeitig tauschen zu können. So sollen sich laut Siemens pro Maschine bis zu 12'000 Euro pro Jahr einsparen lassen. Die Daten werden dabei vor Ort gefiltert und vorverarbeitet, bevor sie in die Cloud-Analysesysteme geschickt werden.
“Unsere Kunden profitieren durch eine Reduktion der Instandhaltungskosten von mehr als 25 Prozent.„
Andreas Kunze, CEO bei Konux
Ein weiteres Beispiel für den Einsatz smarter Sensoren und Künstlicher Intelligenz für die vorausschauende Wartung ist das Weichenanalytik-Projekt der Deutschen Bahn, das in Zusammenarbeit mit dem Unternehmen Konux durchgeführt wurde. Das Münchner Start-up hat dafür einen Weichensensor entwickelt, der die wichtigsten Funktionsparameter und den Energieverbrauch selbst überwacht und eine Vorverarbeitung der Rohdaten durchführt. Er übermittelt die Felddaten drahtlos an ein Backend-System, wo sie mit weiteren Informationen wie Zugdaten und Statistiken kombiniert und mit Hilfe von neuronalen Netzen und anderen Verfahren des maschinellen Lernens ausgewertet werden. «Unsere Kunden profitieren durch eine Reduktion der Instandhaltungskosten von mehr als 25 Prozent», verspricht Komux-CEO Andreas Kunze.
Toolkits und Frameworks für das intelligente IoT (Auswahl)
| Produkt | Beschreibung |
| ARM Compute Library | Sammlung von Funktionen für Bildverarbeitung und maschinelles Lernen, die für Arm-CPU- und GPU-Architekturen optimiert sind. Sie ist kostenlos unter einer MIT-Open-Source-Lizenz erhältlich |
| CMSIS NN | Sammlung effizienter Kernel, die Leistung und Speicherbedarf neuronaler Netzwerke auf Cortex-M-Prozessorkernen optimieren |
| Embedded Learning Library (ELL) | Machine-Learning-Bibliothek von Microsoft für Plattformen mit geringen Rechenressourcen und kleine Einplatinencomputer |
| Keras | Benutzerfreundliche Open-Source-Bibliothek für Deep Learning, die eine Schnittstelle zu verschiedenen Backends wie TensorFlow, Microsoft Cognitive Toolkit oder Theano bietet |
| Neural Network on Microcontroller (NNoM) | High-Level-Programmbibliothek zur Modellierung neuronaler Netze auf Microcontroller-Umgebungen |
| OpenEI | Das Open Framework for Edge Intelligence ist eine Software-Plattform für Edge-Systeme, um diese mit intelligenten Datenverarbeitungs- und Austauschfunktionen auszustatten |
| OpenVINO (Open Visual Inference and Neural | Das von Intel entwickelte Toolkit erleichtert die Programmierung und Ausführung von Bilderkennungslösungen. Es integriert das Intel Deep Learning Deployment Toolkit mit Modelloptimierung, einer Inferenz-Engine sowie Computer-Vision-Bibliotheken und -Funktionen. Das Toolkit, das auf verschiedenen Intel-Plattformen läuft, ist als Open Source unter einer Apache-Lizenz verfügbar |
| Qualcomm Neural Processing SDK for AI | Software Development Kit für Entwickler, um neuronale Netze auf mobilen Snapdragon-Plattformen ausführen zu können |
| TensorFlow Lite | TensorFlow-Variante für Mobilgeräte und Embedded-Lösungen, die geräteinternes maschinelles Lernen mit geringer Latenz und einer kleinen Binärgröße ermöglicht. Als „TensorFlow Lite for Microcontrollers“ auch für sehr kleine Geräte mit nur einem Kilobyte Speicher verfügbar |
| TensorRT | Software Development Kit von Nvidia, das Deep-Learning-Modelle auf niedrige Latenz und hohen Durchsatz optimiert. Typische Einsatzgebiete sind Videostreaming, Spracherkennung, Empfehlungsroutinen und Natural Language Understanding (NLU). Für verschiedene Plattformen (Rechenzentrum, Jetson, Nvidia DRIVE) stehen jeweils optimierte Kernel zur Verfügung |
| TinyML | Framework, das Ausführung und Entwicklung von Machine-Learning-Algorithmen auf Rechenleistung, Energie- und Speicherverbrauch hin optimiert, sodass sie auf sehr kleinen Geräten genutzt werden können |
| uTensor | KI-Inferenzbibliothek, die auf der ARM-Plattform mbed und TensorFlow basiert |
| X-CUBE-AI | Machine-Learning-Toolkit für die STM32-Microcontroller-Familie, die auf dem ARM-Cortex-M-Prozessor basiert |
Toolkits und Frameworks für das intelligente IoT (Auswahl)
| Produkt | Beschreibung |
| ARM Compute Library | Sammlung von Funktionen für Bildverarbeitung und maschinelles Lernen, die für Arm-CPU- und GPU-Architekturen optimiert sind. Sie ist kostenlos unter einer MIT-Open-Source-Lizenz erhältlich |
| CMSIS NN | Sammlung effizienter Kernel, die Leistung und Speicherbedarf neuronaler Netzwerke auf Cortex-M-Prozessorkernen optimieren |
| Embedded Learning Library (ELL) | Machine-Learning-Bibliothek von Microsoft für Plattformen mit geringen Rechenressourcen und kleine Einplatinencomputer |
| Keras | Benutzerfreundliche Open-Source-Bibliothek für Deep Learning, die eine Schnittstelle zu verschiedenen Backends wie TensorFlow, Microsoft Cognitive Toolkit oder Theano bietet |
| Neural Network on Microcontroller (NNoM) | High-Level-Programmbibliothek zur Modellierung neuronaler Netze auf Microcontroller-Umgebungen |
| OpenEI | Das Open Framework for Edge Intelligence ist eine Software-Plattform für Edge-Systeme, um diese mit intelligenten Datenverarbeitungs- und Austauschfunktionen auszustatten |
| OpenVINO (Open Visual Inference and Neural | Das von Intel entwickelte Toolkit erleichtert die Programmierung und Ausführung von Bilderkennungslösungen. Es integriert das Intel Deep Learning Deployment Toolkit mit Modelloptimierung, einer Inferenz-Engine sowie Computer-Vision-Bibliotheken und -Funktionen. Das Toolkit, das auf verschiedenen Intel-Plattformen läuft, ist als Open Source unter einer Apache-Lizenz verfügbar |
| Qualcomm Neural Processing SDK for AI | Software Development Kit für Entwickler, um neuronale Netze auf mobilen Snapdragon-Plattformen ausführen zu können |
| TensorFlow Lite | TensorFlow-Variante für Mobilgeräte und Embedded-Lösungen, die geräteinternes maschinelles Lernen mit geringer Latenz und einer kleinen Binärgröße ermöglicht. Als „TensorFlow Lite for Microcontrollers“ auch für sehr kleine Geräte mit nur einem Kilobyte Speicher verfügbar |
| TensorRT | Software Development Kit von Nvidia, das Deep-Learning-Modelle auf niedrige Latenz und hohen Durchsatz optimiert. Typische Einsatzgebiete sind Videostreaming, Spracherkennung, Empfehlungsroutinen und Natural Language Understanding (NLU). Für verschiedene Plattformen (Rechenzentrum, Jetson, Nvidia DRIVE) stehen jeweils optimierte Kernel zur Verfügung |
| TinyML | Framework, das Ausführung und Entwicklung von Machine-Learning-Algorithmen auf Rechenleistung, Energie- und Speicherverbrauch hin optimiert, sodass sie auf sehr kleinen Geräten genutzt werden können |
| uTensor | KI-Inferenzbibliothek, die auf der ARM-Plattform mbed und TensorFlow basiert |
| X-CUBE-AI | Machine-Learning-Toolkit für die STM32-Microcontroller-Familie, die auf dem ARM-Cortex-M-Prozessor basiert |
