Embedded KI/ML Entwicklungssystem ...

[kdw]

Hallo Forum.

Am 14. Oktober 2025 hatten wir einen Workshop auf dem Automatisierungstreff in Heilbronn (siehe https://automatisierungstreff.com/workshop/ki-basierte-sensorik-als-sps-erweiterung/). Unser Ziel war es, Teilnehmern aus unterschiedlichen Bereichen der Automatisierungstechnik aufzuzeigen, wie man Embedded Machine Learning (ML)-Modelle erstellt, die direkt in einen Sensor integriert werden können und über den Sensorausgang ein Inferenzergebnis an eine handelsübliche SPS liefern.

Jeder Teilnehmer sollte ein Notebook mitbringen, auf dem ein aktueller Webbrowser installiert ist. Aus unterschiedlichen Gründen (Administratorrechte, Windows 11 usw.) war von uns nicht eingeplant, irgendwelche Software auf den Teilnehmer-Notebooks zu installieren (auch keine zusätzlichen USB-Treiber). Stattdessen sollten sich die Teilnehmer mit Ihren PCs per Ethernet-LAN-Kabel bzw. Webbrowser direkt mit einer WRD/Box als Entwicklungssystem verbinden (siehe https://www.ssv-embedded.de/doks/daten/datasheet_wrd_box.pdf). Lediglich eine von uns vorgegebene IPv4-Adresse war an den Notebooks einzustellen.

Als Hands-on für ein „Anomalieerkennungsbeispiel“ war der MLS/100EV-Use Case 3 vorgesehen (siehe https://github.com/SSV-embedded/MLS100EV/tree/main/Machine_Learning). Die erforderlichen Softwarefunktionen waren auf der WRD/Box vorinstalliert und per Node-RED und Webbrowser nutzbar. Des Weiteren hatten wir im Vorfeld eine übersichtliche Prozessbeschreibung mit allen Schritten erstellt, der die Teilnehmer beim Hands-on folgen konnten. Bei individuellen Detailproblemen haben wir sofort Hilfestellung geleistet.

Die Sache hat insgesamt beeindruckend gut funktioniert. Alle haben die Trainingsdatenerfassung und den ML-Modellbau mit IMU-Daten hinbekommen. Im Test lieferten die ML-Modelle der Teilnehmer gute Inferenzergebnisse, die als Klassifizierungs-Identifier jeweils auch an eine SPS weitergeleitet werden konnten.

Das Fazit: ML-Modelle für Sensorikanwendung zu bauen, ist offensichtlich keine „Raketenwissenschaft“. Mit einem passenden Workflow, den richtigen Werkzeugen sowie einem kontextbezogenen „Assisted Development Service“ können auch Fachkräfte aus anderen Disziplinen (also ohne Data-Science- und KI-Expertenwissen) anspruchsvolle Aufgabenstellungen erfolgreich bearbeiten.



Abbildung: In der WRD/Box kam ein RGM/938 zum Einsatz. Dieses Gateway war per USB mit einem MLS/100EV und per Ethernet-LAN-Kabel mit dem Teilnehmer-Notebook verbunden. Auf dem Gateway war ein zur Aufgabenstellung passender Node-RED-Flow vorinstalliert, den die Teilnehmer über einen Webbrowser nutzen konnten. Die SPS zur Weitergabe der Klassifizierungs-Identifier im Inferenzbetrieb der ML-Modelle war in den Workshop-WRD/Boxen auch gleich enthalten und ebenfalls mit dem RMG/938 verbunden. Insofern konnte ein vollständiger Systemtest der gesamten Anwendung durch die Teilnehmer erfolgen.

VG KDW

[kdw]

Hallo Forum.

Am 4.11.2025 fand das erste Webinar „So rüsten Sie Ihre SPS mit KI-Funktionen auf“ statt. Es liefert eine Einführung und einen Überblick zu den beiden Beispielen „Bewegungen per IMU klassifizieren (Anomalien erkennen)“ sowie „Machine Vision (Bildobjekte erkennen und zählen)“, die als Hands-on auf dem Automatisierungstreff 2025 verwendet wurden. Falls jemand Interesse hat, bitte melden. Es sind bereits weitere Webinar-Termine geplant.

Siehe auch: https://ssv-comm.de/forum/dokumente/_Intro-Webinar.pdf.

Zu jedem der beiden Beispiele gehörte ein spezieller Sensor (IMU, Kamera) mit USB-Ausgang, ein in der WRD/Box vorinstallierter Node-RED-Flow mit Dashboard-Funktionen sowie eine „Schritt-für-Schritt“-Anleitung als PDF. Darüber hinaus war auch ein Node-RED-basierter Test für die Verbindung zur SPS vorinstalliert.



Zum Hands-on-Beispiel „Bewegungen per IMU klassifizieren (Anomalien erkennen)“ gehört ein Node-RED-Flow, der verschiedene Aufgaben erfüllt (siehe folgende Abbildung). Zum einen sind mit Hilfe dieser Komponente eine beliebige Menge an IMU-Trainingsdaten in einer CSV-Datei speicherbar. Des Weiteren lässt sich die CSV-Datei per Webbrowser von der WRD/Box zum PC und von dort aus in die Edge Impulse Cloud laden. Auf dem gleichen Weg, allerdings in umgekehrter Richtung, wird das per Edge Impulse erstellte Modell als ZIP-Datei wieder an die WRD/Box übertragen und entpackt. Ist ein ML-Modell in dem Node-RED-Flow vorhanden, lässt es sich im Inferenzbetrieb für Tests benutzen.



Um das „Machine Vision (Bildobjekte erkennen und zählen)“-Beispiel zu nutzen, muss zunächst der MLS/100MV-Sensor mit der IMU am USB-Port des RMG/938-Gateway in der WRD/Box durch den Kamerasensor ersetzt werden. Darüber hinaus muss die Kamera an einem geeigneten Stativ befestigt werden und ein geeigneter Untergrund für den Sichtbereich ausgewählt (evtl. weißes Blatt DIN-A4-Papier) sowie für eine ausreichende Beleuchtung in der Umgebung gesorgt werden.



Der Node-RED-Flow für den „Machine Vision (Bildobjekte erkennen und zählen)“-Hands-on sieht auf den ersten Blick deutlich übersichtlicher und kompakter aus. Er ist aber insgesamt wesentlich umfangreicher, weil in diesem Flow zwei Python-Skripte enthalten sind, die in der RMG/938-Laufzeitumgebung ausgeführt werden.



VG KDW