Sensordaten für die ML-Trainingsphase

摘要

In Sensorsystemen wird üblicherweise eine in Hochsprachen erstellte Firmware genutzt, die den jeweils gewünschten Zusammenhang zwischen Ein- und Ausgangssignalen anhand von statischen Regeln herstellt, die auf lexikalischem Wissen basieren. Ein typischer Anwendungsfall wäre beispielsweise eine komplexe Sensorikapplikation zur Zustandsüberwachung der elektrischen Antriebe einer Maschine mit Hilfe einer Stromsensorik: Die Embedded-System-Firmware im Sensorsystem verarbeitet die analogen Rondaten der einzelnen Sensor-Elemente und liefert anhand eines programmierten Regelkreises (beispielsweise welche Frequenzen und Amplituden sind jeweils zulässig?) das gewünschte digitale Ausgangssignal. Klassische Firmware-Entwicklungen sind in der Regel recht aufwändig und über die gesamte Produktlebensdauer betrachtet, relativ unflexibel. Jede noch so kleine Änderung der Anforderungen löst einen neuen Entwicklungszyklus aus. Durch die zahlreichen Weiterentwicklun- gen im Bereich der künstlichen Intelligenz (Kl) und des maschinellen Lernens (ML) ist nun ein weiterer Lösungsansatz möglich: Zwischen die Ein- und Ausgangsdaten eines Mikrorechners wird ein lernfähiger Algorithmus geschaltet und mittels spezieller Trainingsdaten für eine bestimmte Aufgabenstellung konfiguriert. Dabei entsteht ein mathematisches Modell, das den jeweiligen Zusammenhang der Ein- und Ausgänge abbildet (Bildl). Anforderungsänderungen werden durch eine erneute Trainingsphase und mit Hilfe zusätzlicher Referenzdaten umgesetzt. Grundsätzlich lässt sich mit dieser Vorgehensweise jedes Problem lösen, dessen Zusammenhang zwischen Ein- und Ausgängen durch ein mathematisches Modell beschreibbar ist.