Rod Drake, Microchip KI findet immer mehr Einsatz im Edge-IoT

Rod Drake ist Vice President der MCU32-Mikrocontroller-Division bei Microchip Technology. In seiner derzeitigen Position ist Drake für alle Aspekte der Entwicklung und Vermarktung sowie Unterstützung der 32-Bit SAM- und PIC32-Mikrocontroller-Familien verantwortlich.

Bild: Microchip
10.11.2021

Die Embedded-Industrie setzt zunehmend auf Automatisierung, Sensorik und Edge-Verarbeitung mit vermehrtem Machine Learning. Die damit verbundenen Herausforderungen erfordern Flexibilität bei der Implementierung der Datenverarbeitung am Rand des Netzes (Edge), der verwendeten Baustein-Typen und Techniken sowie der Art und Weise, wie man Edge-Systeme im gesamten IoT einführt.

Intelligente Bildsensoren nutzen wichtige Algorithmen für maschinelles Lernen direkt an den Kameras, anstatt Datenströme in die Cloud zu senden. Dies senkt Reaktionszeiten, Stromverbrauch und die Datenanforderungen im IoT-Netzwerk. Mit Hilfe von FPGAs können Entwickler auch ihre eigenen maschinellen Lernverfahren entwickeln oder bestehende Verfahren für ihre spezielle Anwendung optimieren. Dies ermöglicht eine höhere Effizienz für spezifische Anwendungen am Rande des Netzes, von der Fehlererkennung für die Qualitätskontrolle in einer Produktionslinie bis hin zu Steuersystemen.

Während sich Hochgeschwindigkeits-Ethernet-Netze in industriellen Edge-Anwendungen zunehmend durchsetzen, können Entwickler durch den Einsatz eines FPGA am Netzrand das System auch für spezifische industrielle Netzwerke wie Profibus und Hart konfigurieren. Dank der Flexibilität beim Hinzufügen von Netzwerkprotokollen zu einem FPGA lassen sich Größe und Komplexität von Netzwerkknoten und Gateways reduzieren; dies ist ein wichtiger Trend für 2022 und danach.

Maschinelles Lernen lässt sich auch auf einer breiten Palette von Mikrocontrollern für Anwendungen wie die vorausschauende Wartung am Netzrand implementieren. Ausgefeilte, auf Mikrocontrollern in Nähe der Sensoren ausgeführte Mustererkennungscodes ermöglichen eine lokale Überwachung der Geräte und das Auffinden von Mustern in den Daten, die auf einen bevorstehenden Geräteausfall hinweisen können. So lassen sich Maschinen im Rahmen geplanter Wartungsarbeiten kontrolliert vom Netz nehmen, so dass man im Vorfeld rechtzeitig Ersatzteile bestellen kann.

Frameworks für maschinelles Lernen werden immer besser, sie nutzen Daten von Zulieferern oder von der Anwendung selbst, was die Genauigkeit der Signalerkennung und -Klassifizierung steigert und die Leistung des Gesamtsystems verbessert. High-Level-Daten dieser Edge-Systeme gehen auch an Cloud-Dienste, die bis 2022 deutlich an Bedeutung gewinnen werden, weshalb auch der Sicherheitsaspekt für diese Systeme von zentraler Bedeutung ist.

Da immer mehr Bausteine über das IoT vernetzt sein werden, erkennen Entwickler, dass Anwendungen angreifbar und Edge-Knoten grundsätzlich sehr anfällig für Sicherheitshacks sind. Dies erhöht die Nachfrage nach Over-the-Air-Updates (OTA), um die Sicherheit von IoT-Bausteinen auf dem neuesten Stand zu halten.

Bis 2022 wird die Digitalisierung ein immer wichtigerer Teil des industriellen Designs und insbesondere des Edge-Bereichs sein, und das wird das Marktwachstum auch weiterhin stärken. Von intelligenten Sensoren am Rande mit Hochgeschwindigkeitsschnittstellen und FPGA-Verarbeitung bis hin zu auf Mikrocontrollern laufenden Algorithmen für maschinelles Lernen inklusive Künstlicher Intelligenz (KI) – der Kunde hat die Wahl aus vielen verschiedenen Optionen.

Firmen zu diesem Artikel
Verwandte Artikel