Machine Learning mit Hilfe von IoT Devices

Machine Learning ist einer der großen Big Data Trends, doch was bedeutet Machine Learning eigentlich. Maschinelles Lernen wird auf Basis großer Datenmengen und der Ableitung von Mustern und Gesetzmäßigkeiten mit Hilfe von Algorithmen erzielt.
Auf den Menschen übertragen ähnelt der Prozess den Erfahrungen. Auf Basis von Erfahrungen können wir Erkenntnisse gewinnen und diese zur Lösung uns bisher unbekannter Probleme nutzen. Der Unterschied zum Machine Learning besteht in der Menge der Daten die verarbeitet werden können. Für Wetterprognosen werden z.B. die Daten zehntausender Wetterstationen mit den Bildern von Satelliten aus dem Weltraum kombiniert, wodurch sich das Wetter mit einer hohen Genauigkeit vorhersagen lässt.

Machine Learning in der Industrie

Die Anwendungen von Machine Learning in der Industrie sind vielfältig. Viele Unternehmen fangen an sich mit dem Thema zu befassen, denn das Potential für Wettbewerbsvorteile ist enorm.
Möglich sind z. B. wichtige Erkenntnisse zur Produktoptimierung, nimmt man Schwingungen und Auslenkungen von Wellen oder anderen Drehteilen mit Sensoren auf und analysiert die Daten hinsichtlich der Bauteil Festigkeit, lässt sich die Konstruktion unter Umständen modifizieren.
Tritt eine gewisse Auslenkung, Schwingung oder gar ein Ausfall nicht zum erwarteten Zeitpunkt auf, kann das FEM Modell sowie die Konstruktion optimiert werden. Das Ziel kann dabei eine gleichbleibende Qualität zu geringeren Fertigungskosten oder eine höhere Qualität des Bauteils sein. Unter Umständen sind sogar beide Ziele miteinander vereinbar.

Die Basis von Machine Learning sind Daten

Um Machine Learning nutzen zu können, müssen als erstes die nötigen Daten gesammelt werden. Die benötigten Daten hängen von der Anwendung ab, häufig werden jedoch z. B. Sensordaten, ModBus Register oder digitale Eingänge erfasst. Durch die Kombination und der anschließenden Analyse dieser Daten erhält man wichtige Erkenntnisse zum Optimierungspotential von Produktionsstraßen, Maschinen und Anlagen.

Machine Learning mit Hilfe von IoT Devices Gateways - Microsoft Azure

Für Machine Learning werden also Daten gesammelt, gegebenenfalls gespeichert, vorverarbeitet und anschließend über z.B. MQTT an den MQTT Broker (Cloud) geschickt. In der Cloud werden die Daten dann weiterverarbeitet und anhand von Machine Learning Algorithmen analysiert. Durch die somit erlangten Erkenntnisse lassen sich zahlreiche Vorteile gegenüber dem Wettbewerb erzielen. Z.B. die Optimierung der Produktion, des Bestellwesens, der Lagerhaltung, der Wartungszyklen und zukünftiger Produktentwicklung. 

IIoT Gateways für Machine Learning

Unsere IoT Gateways sind das Bindeglied zwischen Ihren Maschinen und der Cloud. Über serielle Schnittstellen, Ethernet und I/Os werden die Daten erfasst und sogar kleinere Analysen können direkt auf dem IoT Gateway durchgeführt werden. Die Datenübertragung kann mittels TLS verschüsselter MQTT/amqp Protokolle oder auch über VPN erfolgen. So bringen Sie Ihre Applikation schnell und sicher in die Cloud (MQTT broker).
Für umfangreiche Analysen direkt am „Edge“ haben wir leistungsstärkere Industrie PCs mit Azure Runtime im Angebot.

Welotec IIoT Gateways für Machine Learning
Machine Learning Microsoft Azure Edge Runtime

IoT Edge IPCs

Die IPCs der Arrakis Serie bieten einen reibungslosen Einstieg in die Welt des Edge-Computings.
Durch das vorinstallierte Ubuntu System inklusive der Microsoft Azure Edge Runtime steht einer schnellen Integration nichts mehr im Wege. Die in der Cloud hinterlegten Machine Lerning Algorithmen können mit Hilfe des Arrakis direkt als Module am Edge deployt und genutzt werden. Dies garantiert eine Datenanalyse auch wenn die Verbindung zur Cloud mal ausfallen sollte.
Durch das integrierte TPM Modul (Arrakis Mk3) und dem vorinstallierten Azure Edge Runtime Deamon besteht außerdem die Möglichkeit des Zero-Touch-Provisioning.
Der Arrakis IPC kann in diversen Konfigurationen (Anzahl LAN-Ports, I/Os, Serial-Connector, LTE-Modul, SSD Größe) ausgeliefert werden. Zusätzlich zu Ihren Edge Modulen haben Sie die Möglichkeit zusätzliche Software (Python, Node.js, etc.) manuell zu installieren und zu nutzen.

Verwenden Sie den Arrakis wenn:

  • Sie planen Ihre Daten direkt am Edge zu analysieren
  • Ihre Analyse der Daten zeitkritisch ist
  • die Analyse der Daten auch ohne Internetanbindung gewehrleistet sein muss
  • Sie eine einfache und schnelle Deployment-Lösung für Ihre Edge Computing Applikation suchen
  • Sie ein offenes Basissystem mit allen Freiheiten nutzen wollen
  • zusätzlichen Fernzugriff mit z.B. OpenVPN realisieren möchten
  • Sie ihr Edge Device individuell für sich zuschneiden wollen
Industrie PC für Machine Learning Microsoft Azure Edge Runtime

LTE/WLAN Router als IoT Gateway

LTE/WLAN Router als IoT Gateway

Für kleinere Vorort Analysen, unabhängig der Azure Edge Runtime, kann auch ein WiT Edge Gateway oder TK800 Router genutzt werden. Diese Geräte fungieren primär als IoT Gateway zur Kommunikation zwischen OT und MQTT Broker. Darüber hinaus verfügen sie über VPN-Lösungen zur einfachen Fernwartung.