Die Funkübertragung von Sensordaten zur Zustandsüberwachung von Maschinen und Anlagen an einen Cloudservice hat zahlreiche Nachteile: Zum einen benötigen die Sendevorgänge relativ viel elektrische Energie. Zum anderen fallen im Laufe der Zeit große Datenmengen an, die zum Teil erhebliche Betriebskosten verursachen. Hinzu kommen vielfach noch Probleme mit dem Daten- und Privatsphärenschutz sowie die normativen Anforderungen der Radio Equipment Direktive (RED) plus korrespondierender EN 18031-Normen inklusive damit verbundener Zusatzkosten.
Hinsichtlich dieser mehrdimensionalen Herausforderungen bietet SSV mit einem Anwendungs-spezifischen Wireless-Modul-Konzept (ASWM) nun eine konzeptionell und funktional hochintegrierte Lösung inklusive RED-Konformität als Alternative an. Statt dem Sensordaten-Streaming zur Cloud erfolgen die Datenanalysen mit Hilfe von TinyML-Methoden direkt im Sensor. Die Ergebnisse werden je nach Relevanz, also zum Beispiel bei bestimmten Zustandsveränderungen oder einer erkannten Anomalie, über eine Low-Power-Wide-Area (LPWAN)-Funkverbindung verschickt. Dafür nutzen ASWM-Softsensorbaugruppen wahlweise LTE-M, LTE450 oder LoRaWAN.
Lokale Inferenz auf Mikrocontrollern reduziert Datenaufkommen und Funklast
Machine Learning (ML) besteht aus zwei Teilaufgaben: Die Lernphase mit ML-Modellerzeugung und die Inferenzphase zur Modellnutzung, zum Beispiel mit Sensordaten. Für den ersten Teil werden größere Datenmengen und Rechnerkapazitäten benötigt. Für die Inferenz reicht eine Sensordatenquelle sowie ein „Tiny“-Mikrocontroller mit minimalen Ressourcen – man spricht daher auch von „TinyML“. Eine TinyML-Inferenz ermöglicht zum Beispiel die Verarbeitung von Telemetriedaten direkt auf dem Mikrorechner eines Wireless-Moduls, ohne dass die erfassten Messwerte einzelner Sensoren zusammen mit anderen Zustandsdaten an externe Server oder eine Cloud gesendet werden müssen.
Falls erforderlich werden überhaupt keine Daten mit Personen- beziehungsweise Privatsphärenbezug per LPWAN übertragen. Stattdessen werden lediglich ereignisgesteuert abstrakte Zustandsklassifizierungsparameter versendet, zum Beispiel eine kategoriale Variable für eine erkannte Anomalie hinsichtlich eines Maschinen- beziehungsweise Anlagenzustands. Dieser Security-by-Design-Ansatz bietet ein deutlich höheres Sicherheitsniveau sowie erhebliche Kostenreduzierungen im Vergleich zu Produkten, die fortlaufend Telemetrie-Rohdaten an eine zentrale Cloud übertragen, um dort die erforderlichen Datenanalysen auszuführen.
Henrike Gerbothe, die für den ASWM-Produktbereich zuständige SSV-Managerin, merkt an: „In einer vernetzten Fabriklandschaft mit hochperformanten LAN-Konzepten kann eine zentrale KI- beziehungsweise ML-Lösung mit Daten-Streaming durchaus funktionieren. Für eine dezentrale Infrastrukturanwendung ist so etwas aus funktionalen und ökonomischen Aspekten ungeeignet. Die anfallenden Sensordaten müssen direkt vor Ort analysiert und Funkdatenübertragungen auf das notwendige Minimum reduziert werden.“
