Gastbeitrag | Autor: Dr. John-Robert Scholz, Wissenschaftler | für IoT-Plan GmbH

In einer Zeit, in der IoT-Geräte immer häufiger in unseren Alltag integriert werden, steigt auch deren Menge erhobener Daten rapide. Diese Daten intelligent auf den Messgeräten selbst zu verarbeiten und daraus Kenntnisse abzuleiten, setzt enormes Potenzial für Kosteneinsparungen frei. Durch den kombinierten Einsatz von Künstlicher Intelligenz, Edge-Computing & LoRaWAN®, hat IoT-Plan ein Monitoring-System entwickelt, das genau diese Ziele erreicht.

Batteriebetriebene IoT-Sensoren leiten ihre Messdaten oft nur an einen verarbeitenden Server. Ziel war es daher, die Verarbeitung der Daten unter Nutzung von maschinellem Lernen auf die IoT-Geräte selbst zu verlagern. Bereits dort soll erkannt werden, ob nominelle Betriebszustände vorliegen. Dieses Konzept haben wir anhand eines Gefrierschranks erforscht.

Um ein neuronales Netzwerk (NN) für die Klassifizierung von Zuständen eines Gefrierschranks zu trainieren, wurden zuerst die Temperaturdaten in verschiedenen Betriebszuständen erfasst: „normal“, „aus“, „offen“ und „anormal“ (z.B. bei defekter Dichtung). Diese Fälle wurden alle mehrmals reproduziert, um die Datenmenge und damit Varianz zu erhöhen. Die Daten wurden auf die Plattform „Edge Impulse“ hochgeladen, um dort ein NN zu entwickeln, welches in der Lage ist, die Zustände des Gefrierschranks präzise zu unterscheiden. Etwa 80% der erhobenen Testdaten wurden genutzt, um das NN zu trainieren. Der Rest, um das trainierte Modell zu validieren. Bei unserem finalen NN konnten wir so eine Genauigkeit von 98% erreichen.

Nachdem das NN-Klassifizierungsmodell so entwickelt und optimiert wurde, wurde es als .c-Datei exportiert und auf einen Edge-Computer mit LoRaWAN-Schnittstelle geladen. Umgeben wurde das Modell von einer selbstentwickelten Firmware. Diese regelt die Aufnahme der Messwerte durch den Sensor, vorverarbeitet die Echtzeitdaten für das NN, stellt bei Bedarf den LoRa-Payload zusammen und sendet diesen aus. Die Firmware regelt auch die Messintervalle. Zwischen zwei Messpunkten geht der Edge-Computer in einen „Deep Sleep“ Zustand. In diesem wird nahezu keine Energie verbraucht, wodurch sich Betriebszeiten mehrerer Jahre ergeben, trotz des Einsatzes kleiner Batterien.

Abbildung 1 © IoT-Plan

Der Edge-Computer mit NN-Modell und Firmware (Abb. 1) kann so im Gefrierschrank platziert werden, um aktuelle Temperaturdaten in Echtzeit zu klassifizieren – trotz seiner begrenzten Rechenkapazität! Die Anwendungstests der Lösung zeigten eine hohe Erfolgsquote von 93%. Fehlzustände („aus“, „offen“ und „anormal“) wurden immer erkannt, die Klassifizierung dieser war jedoch in 7% der Fälle fehlerhaft (z.B. „aus“ statt „offen“). Dabei sollte beachtet werden, dass die Zustandsänderungen schon beim nächstfolgenden Messpunkt erkannt wurden, nachdem der neue Betriebszustand, z.B. „aus“, eintrat. Der Edge-Computer klassifiziert die Zustände des Gefrierschranks somit energieeffizient, intelligent, schnell und erfolgreich.

Abbildung 2 © IoT-Plan GmbH

Die Vorteile des Systems sind vielfältig. Die Kombination aus IoT-Sensor, Edge-Computing und maschinellem Lernen erlaubt präzise und adaptive Monitoring-Systeme. Änderungen z.B. der Kühlzustände werden erkannt, noch bevor etwaige Schwellwerte unter- oder überschritten werden (Abb. 2). Damit kann solch ein System enorm zur Lagersicherheit von z.B. Arznei- oder Lebensmitteln beitragen. Herkömmliche Schwellwertsysteme können komplett ersetzt werden. Diese verlangen im Normalfall mehrere Konfigurationsschritte und damit Einsatz von Personal, zudem sind sie anfällig für Fehlalarme. Die komplette Lösung arbeitet energieeffizient, ohne Verkabelung. Das spart Kosten für Energie, Installation und Wartung. Teure Rechenleistungen z.B. aus der Cloud werden aufgrund der „on-board-Klassifizierung“ nicht benötigt. Das System ist äußerst mobil und kann problemlos umplatziert werden.

Dank LoRaWAN kann der Edge-Computer seine Erkenntnisse innerhalb von Gebäuden mindestens 50 m weit an ein Gateway schicken, welches diese über das Internet an das IoT-Plan Backend sendet. Per selbstentwickelter Weboberfläche kann man schlussendlich auf die gewonnenen Informationen zugreifen und sich automatisch generierte Benachrichtigungen und PDF-Berichte zustellen lassen.

Abbildung 3 © IoT-Plan GmbH

Das Konzept (Abb. 3) lässt sich auf jede Kühlketten-Anwendung übertragen. Derzeit sind bei IoT-Plan über 1.500 Temperatursensoren in Kühlschränken im Einsatz. Damit lassen sich in Zukunft noch genauere KI-Modelle und effektivere Monitoring-Systeme realisieren. Eine Entwicklung, die Unternehmen verschiedener Branchen bei ihren Geschäftsprozessen entscheidend unterstützen wird.

Unser Prototyp wurde mit Hilfe einer Innovationsförderung der Stadt Dresden entwickelt. Durch diese haben wir auch ein Monitoring-System zur Erfassung, KI-Klassifizierung und frühzeitigen Erkennung von Anlagenschäden entwickelt („Predictive Maintenance“).