KI ohne Netz – energieeffizientes Edge-KI-Sensorsystem für Monitoring-Anwendungen in der Industrie
IMMS stellt aus zur embedded world

Ilmenau, 11.03.2025 (PresseBox) - Das IMMS Institut für Mikroelektronik- und Mechatronik-Systeme gemeinnützige GmbH (IMMS GmbH) stellt vom 11. – 13. März 2025 Lösungen für automatisierbare Prozesse, Dienstleistungen und Anlagen auf der embedded world in Nürnberg vor. Auf dem Thüringer Gemeinschaftsstand in Halle 4, Stand 410, präsentiert das IMMS die Entwicklung „AWARE“. Das kleine Sensorsystem mit lokaler KI wurde entwickelt, um perspektivisch direkt in Industrieprozessen Fehler zu erkennen und Entscheidungen zu vorausschauender Wartung zu unterstützen. AWARE ist als Forschungsergebnis die Basis, um gemeinsam mit Partnern Monitoring-Anwendungen in der Industrie zu entwickeln.

KI ohne Netz?

Jedem, der schon einmal im Funkloch den KI-Assistenten seines Smartphones befragen wollte, ist klar – die KI-Modelle und Algorithmen laufen nicht lokal, sondern auf leistungsfähigen Servern mit viel Speicherplatz. Dass die Antwort trotzdem direkt von einem kleinen Gerät „aus der Hosentasche“ kommen kann, zeigen Edge-KI-Systeme wie das vom IMMS im Forschungsprojekt HoLoDEC entwickelte AWARE-Demonstrator-System.

In AWARE (advanced wireless AI-enabled real-time environment) ist die „Künstliche Intelligenz“ direkt im Sensor integriert. Somit lassen sich Entscheidungen in Echtzeit ohne Umweg über die Cloud ableiten. Durch die automatisierte Anpassung an neue Umgebungsbedingungen können vielseitige Einsatzfelder erschlossen werden, wie z.B. in der Fehler- und Verschleißerkennung in der Produktion.

Demonstrator mit Potenzial für Monitoring-Entwicklungen

Ein Demonstrator zeigt AWARE beim Monitoring von Lüftern – eine einfache Beispielanwendung mit großem Transferpotenzial. AWARE erfasst Schwingungsmessdaten, wertet sie aus und klassifiziert den aktuellen Zustand von Lüftern. Das System enthält einen Schwingungssensor, der Schwingungen bis 6,4 kHz erfassen kann, und einen Mikrocontroller mit integriertem Funktransceiver.

Die Sensordaten werden mit einem unüberwachten Machine-Learning-Verfahren per Clustering verarbeitet. Dabei wird ein „intakter“ Lüfter angelernt. Das Training findet ausschließlich auf dem Mikrocontroller des Sensorknotens statt.

Ein weiterer „intakter“ und ein „defekter“ Lüfter können dann entsprechend erkannt und klassifiziert werden, ohne dass die Daten vorher aufgezeichnet wurden. Angezeigt wird das Ergebnis über eine grüne bzw. rote LED. Die Daten können auch energiesparend mittels BLE (bluetooth low energy) zu einem Edge-Device übertragen werden.

Viel Forschung für kleinen Sensorknoten

In Projekten wie HoLoDEC schafft das IMMS mit Entwicklungen wie AWARE die Basis, um Forschungsergebnisse in Industrieanwendungen zu transferieren.

In HoLoDEC forscht das IMMS daran, KI-Algorithmen auf ressourcenbeschränkten Geräten für IoT-Anwendungen optimal nutzen zu können. Dazu entwickelt das IMMS energieeffiziente Edge-KI-Systeme mit energieoptimierter Leistungsverteilung zwischen möglichst viel sensornaher Datenverarbeitung und möglichst geringer Auslagerung von Aufgaben in das Netzwerk.

Die Herausforderung ist, dass KI-Modelle und Algorithmen nicht mehr nur auf leistungsfähigen Servern mit viel Speicherplatz laufen, sondern auf Mikrocontrollern eingesetzt werden sollen, für die diese aber weder entwickelt wurden noch 1:1 übertragbar sind und dementsprechend angepasst werden müssen. Die aktuelle Forschung beschränkt sich allerdings oft auf die Entwicklung eines leistungsfähigen KI-Modells auf einem Server.

Die Entwicklung AWARE zeigt, dass es auch anders geht. Auf der embedded world sucht das IMMS neue F&E-Partnerschaften im Bereich adaptiver Edge-KI-Systeme für Automatisierungstechnik und Industrie 4.0 sowie für Monitoring und Instandhaltung, um anwendungsspezifische Weiterentwicklungen des AWARE-Systems auf den Weg zu bringen.

Förderung der AWARE-Entwicklung:

Das diesem Bericht zugrunde liegende Vorhaben HoLoDEC wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 16ME0703 gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei der Autorin/beim Autor.