Willkommen bei der SSV Software Systems GmbH in Hannover! - flyer rmg941 pdf EA1 · 2019-11-08 ·...

1
Wer ist die SSV Software Systems GmbH? Die SSV Soſtware Systems GmbH wurde 1981 in Hannover als Entwick- lungsdienstleister für Mikroprozessoranwendungen in der Logisk und Automasierung gegründet. Seit Anfang der 1990er Jahre entwickelt und produziert das Un- ternehmen eigene Hardwarebaugruppen und Systeme für den Industrieeinsatz. Der Anwendungsschwerpunkt liegt dabei im Bereich der industriellen M2M- und IoT-Kommunikaon. Zu den neuesten Entwicklungen gehören komplee Lösungs- bausteine für Echtzeitdatenanalysen per (embedded) Machine Learning, vollständige Wireless-Sensor-Network-Anwendungen für Predicve Maintenance sowie Remote Maintenance Gateways mit verschiedenen Funkonen und Kommunikaonsschnistellen. Sprechen Sie uns an! Sie bauen Maschinen oder Anlagen? Wir beraten Sie gerne, wie Sie mit dem RMG/941 oder einem darauf basierenden, individuell zusammengestellten System und künstlicher Intelligenz neue zukunſtssichere und innovave Servicelösungen für Ihre Maschinen und Anlagen realisieren. Sie sind Anlagenbetreiber? Wir zeigen Ihnen gerne, wie Sie Ihre Anlagen nachträglich einfach, schnell und kostengünsg mit neuen Funkonen und künstlicher Intelligenz aufrüsten, um so den Datenschatz in Ihrem Unternehmen zu heben und für Effizienzopmierungen zu nutzen. Weitere Informaonen zum RMG/941 unter: Industrial Intelligence SSV Software Systems GmbH Dünenweg 5 D-30419 Hannover Fon: +49(0)511 / 40 000-0 Fax: +49(0)511 / 40 000-40 E-Mail: [email protected] Web: www.ssv-embedded.de ssv-embedded.de/rmg Machine Learning-Sensor MLS/160A Sensor plus Engineering-Prozess als RMG/941-Zubehör. Die Kombinaon des RMG/941 mit dem MLS/160A ermöglicht den schnellen und einfa- chen Einseg in Condion-based Monitoring und Predicve Maintenance mit Hilfe von künstlicher Intelligenz (KI) und maschinellem Lernen (ML). Einfach den MLS/160A an einem Antriebselement oder Maschinengehäuse befes- gen, mit dem RMG/941 verbinden, per PyDSlog Trainings- und Testdaten erfassen, einen ML-Algorithmus trainieren und als Inferenzmaschine einsetzen. Ferg ist die erste embedded Machine Learning-Anwendung! Der MLS/160A basiert auf einem 3-Achsen-Beschleunigungssensor von Bosch (BMI160) mit jeweils einem triaxialen Sensorelement für Winkelgeschwindigkeit und Beschleunigung. Die Datenweitergabe zum RMG/941 erfolgt miels RS485 in einem schnellen Data Stream Mode. Durch das Zusammenspiel von RMG/941 und MLS/160A lassen sich z. B. virtuelle Maschinensensoren realisieren und einsetzen. © 2019 SSV Soſtware Systems GmbH. Alle Angaben ohne Gewähr. Änderungen vorbehalten. Umfangreiches Softwarepaket Das Remote Maintenance Gateway RMG/941 ist dank seiner Soſtwareausstaung vielseig einsetzbar: Sowohl für VPN-Fernzugriffe, IoT-Anwendungen aller Art, hoch- sichere Soſtware-Updates von Feldgeräten aus der Ferne bis hin zu komplexen embedded Machine Learning-Edge- Anwendungen. Zudem erlaubt das embedded Linux-Betriebssystem auf Debian-Basis die Installaon weiterer Soſtware. Die wichgsten Soſtware-Komponenten im Überblick: PHP-, Java-, Node.js- und Python -Laufzeitumgebung PyDSlog -Bilbliothek zur Messdatenerfassung NumPy -Bibliothek für numerische Berechnungen Pandas -Bibliothek zum Auswerten und Bearbeiten tabel- larischer Daten SciPy -Bibliothek für wissenschaſtliches Rechnen (z.B. FFT) Matplotlib -Bibliothek für mathemasche Darstellungen Seaborn -Bibliothek für stassche Grafiken Sklearn -Bibliothek für maschinelles Lernen TensorFlow Lite -Interpreter für Deep Learning Jupyter Notebook Kernel für Web-basiertes Testen Node-RED , grafische Datenflussprogrammierung auf Basis von Node.js inkl. Node-RED-Dashboard OpenVPN- Server- und Client Web-basierte PyDSlog-Fernsteuerschnistelle Prozessor Hersteller Microchip ATSAM-A5D35 SoC Taktrate 528 MHz Speicher RAM 256 MB SDRAM Flash 4 MB NOR (A/B Bootkonzept) Speichermedium 1x microSD-Karte mit Firmware Schnittstellen Ethernet 1x 10/100 Mbps (RJ45) Seriell 1x RS485 (Schraubklemme) Service 1x RS232 (6-Pin-Konnektor) Wireless 4G oder NB-IoT (Opon) Antenne 1x SMA-Buchse für 4G/NB-IoT-Opon Sonstiges SIM-Karte 1x Mini-SIM-Kartenhalter für 4G/NB-IoT-Opon Elektrische Eigenschaften Versorgung 12 .. 24 VDC über externes Netzteil Leistungsaufnahme < 15 W Mechanische Eigenschaften Schutzart IP20 Industriegehäuse für 35 mm Hutschiene Abmessungen 112 mm x 100 mm x 22.5 mm Internet Cloudservice Sensor Aktor Privater Schlüssel Öffentlicher Schlüssel Signatur X.509 Zerfikat Messwert Messwert + Signatur + Zerfikat Zerfikats- prüfung Signatur- prüfung U�� St� I�T W�� D�u�- k��e�s� . Z� A�- �e�n�ugD�u�n�nö�- �i�e�n�e�h�i�w�nd�eV�rf�, � S�ns�rd�- � v� K�e�s�i�n� Bu�h�l�ng�- S�w��k�. Die meisten IoT-Serviceprovider bieten Ihren Kunden lediglich pseudosichere Lösungen, die allerdings sehr einfach zu nutzen und deshalb wohl auch so weit verbreitet sind. In der Regel wird die Vertraulichkeit, Authen- zität und Integrität von Sensor- und Aktorda- ten aber jeweils in der Cloud des Providers terminiert. Hier liegen die Daten dann un- verschlüsselt vor. Aus diesem Grund sind IoT-Cloudplaormen inzwischen auch ein häufiges Angriffsziel für Cyberaacken. Um mit Hilfe des insgesamt völlig unsi- cheren Internets trotzdem eine hochsi- chere Verbindung zwischen Sensor und Aktor zu gewährleisten, ist eine echte Ende-zu-Ende-Sicherheit erforderlich, die nicht in der Cloud endet. Dafür müssen die Endpunkte einer IoT- Lösung in eine eigenständige Public- Key-Infrastruktur (PKI) eingebunden und private Schlüssel in einem IoT-Sensor auch wirklich sicher gespeichert werden. Das RMG/941 bietet für derarge Aufgaben alle erforderlichen Voraussetzungen, die zusammen mit speziellen Support-Dienstleistungen von SSV genutzt werden sollten. Internet of Things IoT U�� St�N M�� S�n�masl�u�i� v�i�n�- s��e�i� K�fi�ra�- �n�ns�n�. D��us�n� S�i�m� M�na�- �ü�n� Bed�rna��us�. Virtual Private Network VPN Internet VPN- Vermilungsserver Servicetechniker Komponente, Maschine, Anlage ... OK OK ! VPN-Client- Zerfikat 2 VPN-Client- Schlüssel 2 VPN-Client- Zerfikat 1 VPN-Client- Schlüssel 1 RMG/941 VPN-Server- Zerfikat VPN-Server- Schlüssel Virtuelle LAN-Verbindung Ein VPN für die Fernwartung besitzt eine sternförmige Topologie mit einem VPN-(Vermilungs)-Server als zentrale Funkonseinheit. Zu diesem VPN-Server bauen alle Remote Maintenance Gateways (VPN- Clients) über das Internet automasch eine Ver- bindung auf und halten diese je nach Konfigura- on nur für die Dauer einer Fernzugriffssitzung oder ggf. auch dauerhaſt aufrecht. Der Verbindungsauau wird dabei durch das Gateway selbst iniiert. Als Auslöser dient ein besmmtes Ereignis im OT-Netz- werk oder eine manuelle Akvität des Be- treibers. Auf der anderen Seite kann sich ein Servicetechniker mit einem Computer, auf dem die VPN-Soſtware installiert ist, ebenfalls jederzeit mit dem VPN-Server verbinden. Für die eigentliche Fernwartung wird zwi- schen dem Computer und der Steuerung in der Maschine bzw. Anlage eine virtuelle LAN- Verbindung mit eigenen IP-Adressen erzeugt. Das RMG/941 dient dabei als VPN-Sicherheits- endpunkt, ist aber hinsichtlich der Fernwartungs- akvitäten ansonsten vollständig transparent. Komponente, Maschine, Anlage ... SW-Entwickler, Servicefachkraſt Internet Cloudservice Internet- schnistelle Privater Schlüssel Öffentlicher Schlüssel Sperrliste Public Key-Infrastruktur Managementprozess X.509 Zerfikat Soſtware- Update </> + U�� St�U I�� h� 150 A�la�- s��n� 90 K�n� L�n� Be�. D�� mö�h� i� v� Z�i� Z�i�ut�ma�is�i� Sw��- Upda��u�st�. Secure Device Update SDU Betrachtet man eine typische Steuerungslösung in der Automasierung aus dem Blickwinkel der IT-Sicherheit, müssten eigentlich sehr viele Lö- sungen sofort sllgelegt werden. Hauptgrund sind in der Regel fehlende Möglichkeiten für Soſtware-Updates. In den meisten Fällen exis- eren noch nicht einmal Patches, obwohl einige Steuerungen seit langem bekannte Schwachstellen besitzen. Secure Device Updates (SDU) lösen diese Probleme und bieten darüber hinaus die Möglichkeit, neue Funkonen an die An- wender zu verteilen. Soll eine Komponente, Maschine oder Anlage über eine IoT-Anbindung mit Soſtware- und Konfiguraons-Updates versorgt werden, muss neben der Anla- gen- vor allen Dingen auch die IT-Sicherheit beachtet werden. Beim aktuellen Stand der Technik erfordert dies eine Public-Key- Infrastruktur (PKI) für digitale Signaturen mit privaten und öffentlichen Schlüsseln, Zer- fikaten, Sperrlisten usw., um zumindest die Authenzität und Integrität des Updates zu ge- währleisten. Alle dafür erforderlichen Bausteine sind in SDU enthalten. U�� St�L W��u� daC�n�i�i� M�it�n�n� An�b�n�i�i�iBes��i�ng�ns�. D�� E�h�itda�n�n�y� Zust�nd�n�n�k�imas�� L�u�i�n�n�. embedded Machine Learning eML Der Workflow einer auf Machine Learning (ML) basie- renden Condion-Monitoring-Anwendung besteht aus zwei Phasen. In einer Trainingsphase werden aus den zu einer besmmten Anwendung gehörenden Sensoren zunächst Historiendaten mit Merkmalsvektoren in einer Textdatei (CSV-Datei) gesammelt und dann zur Modellbildung eines geeigneten ML- Algorithmus genutzt. In der anschließenden Inferenzphase wird dann jeweils ein einzelner Merkmalsvektor mit Echtzeitsensordaten an Hand des mathe- maschen Modells per Supervised Learning analysiert und dabei der jeweilige Betriebszu- stand klassifiziert. Der Lieferumfang des RMG/941 enthält eine Python3-Laufzeitumgebung mit zahlreichen Data-Science-Bibliotheken, die verschiedene ML-Funkonen bis hin zu neuronalen Netzwer- ken bieten. Mit PyDSlog steht zudem eine vorkonfigurierte Soſtware zur Messdatenerfassung zur Verfügung, mit der sich sehr einfach die Merkmalsvektoren zur Modellbildung erzeugen lassen. Damit ist innerhalb kürzester Zeit eine Edge-Lösung für das Condion Monitoring realisierbar. Modellbildung I I Datenlogger für ML-Trainingsdaten (z. B. PyDSlog-Bibliothek) 2213, 85,17291,-57, 9,654,1 2867,1741,17750, 21,-25,698,1 2354,1021,18860, 10,-12, -9,1 1711,1052,17613, 3, 6, 3,2 1732,1080,17630, 2, 5, 4,2 2107, 678,18073, 28, 9, 10,2 2108,1645,17908, 21, 2, 6,3 1695,1081,17639, 5, 4, 3,3 ... Inferenzmaschine für Echtzeitdaten Klassifizierung oder Regression Ergebnis Fernwartung neu definiert! Remote Maintenance Gateway RMG/941

Transcript of Willkommen bei der SSV Software Systems GmbH in Hannover! - flyer rmg941 pdf EA1 · 2019-11-08 ·...

Page 1: Willkommen bei der SSV Software Systems GmbH in Hannover! - flyer rmg941 pdf EA1 · 2019-11-08 · Wer ist die SSV Software Systems GmbH? Die SSV Soft ware Systems GmbH wurde 1981

Wer ist die SSV Software Systems GmbH?Die SSV Soft ware Systems GmbH wurde 1981 in Hannover als Entwick-

lungsdienstleister für Mikroprozessoranwendungen in der Logisti k und Automati sierung gegründet.

Seit Anfang der 1990er Jahre entwickelt und produziert das Un-ternehmen eigene Hardwarebaugruppen und Systeme für den Industrieeinsatz. Der Anwendungsschwerpunkt liegt dabei im Bereich der industriellen M2M- und IoT-Kommunikati on.

Zu den neuesten Entwicklungen gehören komplett e Lösungs-bausteine für Echtzeitdatenanalysen per (embedded) Machine

Learning, vollständige Wireless-Sensor-Network-Anwendungen für Predicti ve Maintenance sowie Remote Maintenance Gateways mit

verschiedenen Funkti onen und Kommunikati onsschnitt stellen.

Sprechen Sie uns an!Sie bauen Maschinen oder Anlagen?Wir beraten Sie gerne, wie Sie mit dem RMG/941 oder einem darauf basierenden, individuell zusammengestellten System und künstlicher Intelligenz neue zukunft ssichere und innovati ve Servicelösungen für Ihre Maschinen und Anlagen realisieren.

Sie sind Anlagenbetreiber?Wir zeigen Ihnen gerne, wie Sie Ihre Anlagen nachträglich einfach, schnell und kostengünsti g mit neuen Funkti onen und künstlicher Intelligenz aufrüsten, um so den Datenschatz in Ihrem Unternehmen zu heben und für Effi zienzopti mierungen zu nutzen.

Weitere Informati onen zum RMG/941 unter:

Industrial Intelligence

SSV Software Systems GmbH

Dünenweg 5D-30419 Hannover

Fon: +49(0)511 / 40 000-0Fax: +49(0)511 / 40 000-40E-Mail: [email protected]: www.ssv-embedded.de

ssv-embedded.de/rmg

Machine Learning-Sensor MLS/160ASensor plus Engineering-Prozess als RMG/941-Zubehör.

Die Kombinati on des RMG/941 mit dem MLS/160A ermöglicht den schnellen und einfa-chen Einsti eg in Conditi on-based Monitoring und Predicti ve Maintenance mit Hilfe von künstlicher Intelligenz (KI) und maschinellem Lernen (ML).

Einfach den MLS/160A an einem Antriebselement oder Maschinengehäuse befes-ti gen, mit dem RMG/941 verbinden, per PyDSlog Trainings- und Testdaten erfassen, einen ML-Algorithmus trainieren und als Inferenzmaschine einsetzen.

Ferti g ist die erste embedded Machine Learning-Anwendung!

Der MLS/160A basiert auf einem 3-Achsen-Beschleunigungssensor von Bosch (BMI160) mit jeweils einem triaxialen Sensorelement für Winkelgeschwindigkeit und Beschleunigung.

Die Datenweitergabe zum RMG/941 erfolgt mitt els RS485 in einem schnellen Data Stream Mode. Durch das Zusammenspiel von RMG/941 und MLS/160A lassen sich z. B. virtuelle Maschinensensoren realisieren und einsetzen.

© 2

019

SSV

Soft

war

e Sy

stem

s G

mbH

. Alle

Ang

aben

ohn

e G

ewäh

r. Ä

nder

unge

n vo

rbeh

alte

n.

Umfangreiches SoftwarepaketDas Remote Maintenance Gateway RMG/941 ist dank seiner Soft wareausstatt ung vielseiti g einsetzbar: Sowohl für VPN-Fernzugriffe, IoT-Anwendungen aller Art, hoch-sichere Soft ware-Updates von Feldgeräten aus der Ferne bis hin zu komplexen embedded Machine Learning-Edge-Anwendungen.Zudem erlaubt das embedded Linux-Betriebssystem auf Debian-Basis die Installati on weiterer Soft ware.

Die wichti gsten Soft ware-Komponenten im Überblick:

PHP-, Java-, Node.js- und Python• -LaufzeitumgebungPyDSlog• -Bilbliothek zur MessdatenerfassungNumPy• -Bibliothek für numerische BerechnungenPandas• -Bibliothek zum Auswerten und Bearbeiten tabel-larischer DatenSciPy• -Bibliothek für wissenschaft liches Rechnen (z.B. FFT)Matplotlib• -Bibliothek für mathemati sche DarstellungenSeaborn• -Bibliothek für stati sti sche Grafi kenSklearn• -Bibliothek für maschinelles LernenTensorFlow Lite• -Interpreter für Deep LearningJupyter• Notebook Kernel für Web-basiertes Testen Node-RED• , grafi sche Datenfl ussprogrammierung auf Basis von Node.js inkl. Node-RED-DashboardOpenVPN-• Server- und ClientWeb-basierte PyDSlog-Fernsteuerschnitt stelle•

Prozessor

Hersteller Microchip ATSAM-A5D35 SoC

Taktrate 528 MHz

Speicher

RAM 256 MB SDRAM

Flash 4 MB NOR (A/B Bootkonzept)

Speichermedium 1x microSD-Karte mit Firmware

Schnittstellen

Ethernet 1x 10/100 Mbps (RJ45)

Seriell 1x RS485 (Schraubklemme)

Service 1x RS232 (6-Pin-Konnektor)

Wireless 4G oder NB-IoT (Opti on)

Antenne 1x SMA-Buchse für 4G/NB-IoT-Opti on

Sonstiges

SIM-Karte 1x Mini-SIM-Kartenhalter für 4G/NB-IoT-Opti on

Elektrische Eigenschaften

Versorgung 12 .. 24 VDC über externes Netzteil

Leistungsaufnahme < 15 W

Mechanische Eigenschaften

Schutzart IP20 Industriegehäuse für 35 mm Hutschiene

Abmessungen 112 mm x 100 mm x 22.5 mm

Internet

Cloudservice

Sensor Aktor

PrivaterSchlüssel

ÖffentlicherSchlüssel

Signatur X.509Zertifikat

Messwert Messwert+

Signatur+

Zertifikat

Zertifikats-prüfung

Signatur-prüfung

U��� St��� I�T

W�� ��������� D�u����� -

k����e�s���� . Z�� A�-

�e����n� ��� ����ug���

D�u����� ��n�� ��nö��-

��� ��� ��� �i����e� �n�

�e�h��i�� ���w�nd����e�

V�rf����� , �� S�ns�rd�-

��� v�� K����e�s�� �i�

�� �n���� Bu��h�l��ng�-

S� w��� �� ��k����� .

Die meisten IoT-Serviceprovider bieten Ihren Kunden lediglich pseudosichere Lösungen, die allerdings sehr einfach zu nutzen und deshalb wohl auch so weit verbreitet sind. In der Regel wird die Vertraulichkeit, Authenti -zität und Integrität von Sensor- und Aktorda-ten aber jeweils in der Cloud des Providers terminiert. Hier liegen die Daten dann un-verschlüsselt vor. Aus diesem Grund sind IoT-Cloudplattf ormen inzwischen auch ein häufi ges Angriff sziel für Cyberatt acken.

Um mit Hilfe des insgesamt völlig unsi-cheren Internets trotzdem eine hochsi-chere Verbindung zwischen Sensor und Aktor zu gewährleisten, ist eine echte Ende-zu-Ende-Sicherheit erforderlich, die nicht in der Cloud endet. Dafür müssen die Endpunkte einer IoT-Lösung in eine eigenständige Public-Key-Infrastruktur (PKI) eingebunden und private Schlüssel in einem IoT-Sensor auch wirklich sicher gespeichert werden.

Das RMG/941 bietet für derarti ge Aufgaben alle erforderlichen Voraussetzungen, die zusammen mit speziellen Support-Dienstleistungen von SSV genutzt werden sollten.

InternetofThings

IoT

U��� St��� ��NM���� S�n���mas������ l�u��� �i� v���i� �n���-s���e��i���� K��fi ��ra��-�n���ns�����n��� .

D�� �us� �n��� S���i�� ���m�� �� M�na� ����-��ü��� �n� ��� Bed�r� na���us������ .

VirtualPrivateNetwork

VPN

Internet

VPN-Vermittlungsserver

Servicetechniker

Komponente,Maschine, Anlage ...

OK

OK

!VPN-Client-Zertifikat 2

VPN-Client-Schlüssel 2

VPN-Client-Zertifikat 1

VPN-Client-Schlüssel 1

RMG/941

VPN-Server-Zertifikat

VPN-Server-Schlüssel

VirtuelleLAN-Verbindung

Ein VPN für die Fernwartung besitzt eine sternförmige Topologie mit einem VPN-(Vermitt lungs)-Server als

zentrale Funkti onseinheit. Zu diesem VPN-Server bauen alle Remote Maintenance Gateways (VPN-Clients) über das Internet automati sch eine Ver-bindung auf und halten diese je nach Konfi gura-ti on nur für die Dauer einer Fernzugriff ssitzung oder ggf. auch dauerhaft aufrecht.

Der Verbindungsaufb au wird dabei durch das Gateway selbst initi iert. Als Auslöser dient ein besti mmtes Ereignis im OT-Netz-werk oder eine manuelle Akti vität des Be-treibers. Auf der anderen Seite kann sich ein Servicetechniker mit einem Computer, auf dem die VPN-Soft ware installiert ist, ebenfalls jederzeit mit dem VPN-Server verbinden.

Für die eigentliche Fernwartung wird zwi-schen dem Computer und der Steuerung in

der Maschine bzw. Anlage eine virtuelle LAN-Verbindung mit eigenen IP-Adressen erzeugt.

Das RMG/941 dient dabei als VPN-Sicherheits-endpunkt, ist aber hinsichtlich der Fernwartungs-

akti vitäten ansonsten vollständig transparent.

Komponente,Maschine, Anlage ...

SW-Entwickler,Servicefachkraft

Internet

CloudserviceInternet-

schnittstelle

PrivaterSchlüssel

ÖffentlicherSchlüssel

Sperrliste

Public Key-Infrastruktur

Managementprozess

X.509Zertifikat

Software-Update

</>+

U��� St��� ��UI�� h��� 150 A�la���-s������n��� ��� ���� 90 K�n��� �� ���� L�n���� �� Be�����.

D�� mö�h�� i�� v�� Z�i� �� Z�i� �ut�ma�is�� �i� ����� ����� S� w���-Upda�� �u�st�� �� .

SecureDeviceUpdate

SDUBetrachtet man eine typische Steuerungslösung in der Automati sierung aus dem Blickwinkel der IT-Sicherheit, müssten eigentlich sehr viele Lö-sungen sofort sti llgelegt werden. Hauptgrund sind in der Regel fehlende Möglichkeiten für Soft ware-Updates. In den meisten Fällen exis-ti eren noch nicht einmal Patches, obwohl einige Steuerungen seit langem bekannte Schwachstellen besitzen.

Secure Device Updates (SDU) lösen diese Probleme und bieten darüber hinaus die Möglichkeit, neue Funkti onen an die An-wender zu verteilen.

Soll eine Komponente, Maschine oder Anlage über eine IoT-Anbindung mit Soft ware- und Konfi gurati ons-Updates versorgt werden, muss neben der Anla-gen- vor allen Dingen auch die IT-Sicherheit beachtet werden. Beim aktuellen Stand der Technik erfordert dies eine Public-Key-Infrastruktur (PKI) für digitale Signaturen mit privaten und öff entlichen Schlüsseln, Zer-ti fi katen, Sperrlisten usw., um zumindest die Authenti zität und Integrität des Updates zu ge-währleisten. Alle dafür erforderlichen Bausteine sind in SDU enthalten.

U��� St��� ��L

W�� �u���� ��� da�

C�n�i�i�� M��it���n�

�n����� An����b������n��

���i���� � ��i��i���

Bes������i��ng� �ns���� .

D�� E�h���itda��n�n��y��

��� Zust�nd�����n��n�

���k�i����� ��� ���

mas��������� L�����

�u���i���n� ��n��.

embeddedMachineLearning

eML Der Workfl ow einer auf Machine Learning (ML) basie-renden Conditi on-Monitoring-Anwendung besteht

aus zwei Phasen.

In einer Trainingsphase werden aus den zu einer besti mmten Anwendung gehörenden Sensoren zunächst Historiendaten mit Merkmalsvektoren in einer Textdatei (CSV-Datei) gesammelt und dann zur Modellbildung eines geeigneten ML-Algorithmus genutzt.

In der anschließenden Inferenzphase wird dann jeweils ein einzelner Merkmalsvektor mit Echtzeitsensordaten an Hand des mathe-mati schen Modells per Supervised Learning analysiert und dabei der jeweilige Betriebszu-stand klassifi ziert.

Der Lieferumfang des RMG/941 enthält eine Python3-Laufzeitumgebung mit zahlreichen

Data-Science-Bibliotheken, die verschiedene ML-Funkti onen bis hin zu neuronalen Netzwer-

ken bieten.Mit PyDSlog steht zudem eine vorkonfi gurierte

Soft ware zur Messdatenerfassung zur Verfügung, mit der sich sehr einfach die Merkmalsvektoren zur

Modellbildung erzeugen lassen. Damit ist innerhalb kürzester Zeit eine Edge-Lösung für das Conditi on

Monitoring realisierbar.

Modellbildung

I

I

Datenlogger fürML-Trainingsdaten

(z. B. PyDSlog-Bibliothek)2213, 85,17291,-57, 9,654,12867,1741,17750, 21,-25,698,12354,1021,18860, 10,-12, -9,11711,1052,17613, 3, 6, 3,21732,1080,17630, 2, 5, 4,22107, 678,18073, 28, 9, 10,22108,1645,17908, 21, 2, 6,31695,1081,17639, 5, 4, 3,3...

Inferenzmaschinefür Echtzeitdaten

Klassifizierungoder

RegressionErgebnis

Fernwartungneu defi niert!

RemoteMaintenanceGatewayRMG/941