INSENSEPRO INTELLIGENTES SENSORNETZWERK ZUR ERMITTLUNG VON PROZESSGRÖßEN - INSIDE IT'S OWL - IT'S OWL
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
InSensEPro Intelligentes Sensornetzwerk zur Ermittlung von Prozessgrößen Inside it’s OWL 09.06.2021
Projektübersicht Projektname Intelligentes Sensornetzwerk zur Ermittlung von Prozessgrößen (InSensEPro) Kooperationspartner CLAAS Selbstfahrende Erntemaschinen GmbH (Harsewinkel) Universität Bielefeld (Bielefeld) Assoziierte Partner Müller-Elektronik GmbH (Salzkotten) Projektleiter Marvin Barther (marvin.barther@claas.com) Projektstart 01. Oktober 2020 Projektende 30. September 2022 Referenten Marvin Barther (CLAAS Selbstfahrende Erntemaschinen GmbH) Felix Wittenfeld (Universität Bielefeld) Kevin Penner (Universität Bielefeld) 2 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Agenda • Motivation & Projektstruktur (Herr Barther) • Datenfusion eines Sensornetzwerks (Herr Wittenfeld) • Datenverarbeitung des Sensornetzwerks (Herr Penner) • Zusammenfassung 3 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Motivation Aufgabe eines Mähdreschers Korn Stroh Getreidepflanzen 4 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Motivation Aufbau Erntemaschine Abscheideeinrichtung Stroh Kornverluste Erntegut Drescheinrichtung Getreidepflanzen Reinigungseinrichtung 5 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Motivation Herausforderungen Prozess muss im laufenden Betrieb an stark veränderliche Erntebedingungen angepasst werden: • Vielzahl von Einstellmöglichkeiten • Komplexe nicht lineare Mehrzieloptimierung • Kontinuierlich veränderliche Erntebedingungen Herausfordernde und belastende Tätigkeit für den Maschinenbediener 6 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Motivation Herausforderungen Verfahrenstechnik Durchsatzsteigerung Process Automation Prozesssensorik Prozessführung 7 09.06.2021 it's OWL InSensEPro - Inside it's OWL
InSensEPro Zielsetzung Motivation Effizienzsteigerung des Ernteprozesses durch präzisere Erfassung interner Prozessgrößen Ausgangslage Lösungsansatz • Punktuell erfasste Sensorsignale • Räumlich auflösende Erfassung von Prozessgrößen • Experimentell ermittelte Kennfelder • Kontinuierliche, sich selbst optimierende Kennfelder • Komplexe Spezialsensoren zur • Nutzung von Sensorschwärmen aus Erfassung von Maschinenzuständen Standardsensoren zur Ernteprozesserfassung Komplexität Erfassbarkeit des Systemkosten Maschineneffizienz Einzelsensor Ernteprozesses 8 09.06.2021 it's OWL InSensEPro - Inside it's OWL
InSensEPro Zielsetzung Projektziele InSensEPro: • Entwicklung einer elektronischen Prozessüberwachung im Inneren einer Erntemaschine • Verteiltes drahtloses Sensornetzwerk mit intelligenter Messdatenauswertung • Messdateninterpretation unter Nutzung von Methoden der Künstlichen Intelligenz • Bereitstellung aggregierter Sensorsignale zur Prozessoptimierung 9 09.06.2021 it's OWL InSensEPro - Inside it's OWL
InSensEPro Projektplanung Getreide- Getreide- ernte ernte Konzeptionierung Datenakquise in Labor- und Feldversuchen Prototypische Entwicklung Weiterentwicklung der Sensorplattform der Sensorplattform Methodik zur Datenanalyse und Auswertung Evaluation der Sensorplattform 10 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Agenda • Motivation & Projektstruktur (Herr Barther) • Datenfusion eines Sensornetzwerks (Herr Wittenfeld) • Datenverarbeitung des Sensornetzwerks (Herr Penner) • Zusammenfassung 11 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sensornetzwerk Zur elektronischen Prozessüberwachung im Inneren einer Erntemaschine Stroh Kornverluste Erntegut Getreidepflanzen Überwachung des Kornstroms 12 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sensornetzwerk Datenfusion eines Sensornetzwerks Anwendungsfall erfordert hohes räumliches Auflösungsvermögen • Einsatz eines verteilten Sensornetzwerks • Dichtes Netz möglichst einfacher Sensorik • Hohe Ausfallsicherheit • Voraussichtlich ~100 Sensoren … n Sensoren Zentrale Auswertung 13 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sensornetzwerk Anschluss in Stern-Topologie Direktanschluss • Sensoranschluss in der Regel direkt an Auswertungseinheit • Bei geringer Sensoranzahl weniger komplex • Voller Zugriff auf Rohdaten Anwendungsfall 1. Laborversuch … Kornstrom n Sensoren n Kabel Auswertung CAN-Bus Steuer-PC Optimierung? 14 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sensornetzwerk Digitaler Anschluss Anforderungen • Übertragung über geteilten BUS oder direkt drahtlos • Stabile Übertragung unter Einsatzbedingungen • Keine wechselseitige Störung der Übertragungen (n Teilnehmer) • Keine externe Manipulationsmöglichkeit • Moderate Kosten pro Sensor Spezifikation • Distanz Luftlinie < 10 m • Sensoranzahl 100 … • Updaterate 2 Hz • Datentyp 16 Bit (≤ 2 ∙ 65535 Körner/s) Kornstrom → 100 ∙ 32 Bit/s = 3200 Bit/s n Sensoren Direkte Übertragung Steuer-PC 15 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sensornetzwerk Technologien zur Datenübertragung Standard Medium Reichweite Datenrate/Kanal Max. Teilnehmer Kommentar LIN 12V Bus 40 m 19.2 kbit/s 16 einfach, günstig Kabel CAN 5V Bus 40 m 125 kbit/s >32 (max. 128) komplex, Lizenzkosten (Lowspeed) ANT 2.4 GHz ~ 10 m ≤ 20 kbit/s > 65k leichtgewichtig, @8 Kanäle ~deterministisch Z-Wave 850 - 950 MHz ~40 m ≤ 100 kbit/s * 232 Länderspezifische Nationale Unterschiede *Länderspezifisch @1 Kanal Konfiguration ≤ 250 kbit/s Funk ZigBee 2.4 GHz ~ 15 m > 65k Fokus auf Meshing (+868 MHz…) @16 Kanäle versch. Topologien Bluetooth LE 2.4 GHz ~ 10 m ≤ 1 Mbit/s Limit heute ≤ 128 universell, @
Sensornetzwerk Energiebedarf eines Senders Standard Standby Transfer Durchschnitt Channel ANT 3.1 µA 2.9 mA 28.2 µA Statisch 1/8 ZigBee 4.18 µA 9.3 mA 15.7 µA Statisch 1/16 Bluetooth LE 0.78 µA 4.5 mA 10.1 µA Frequency Hopping Spread Spectrum @37 bis zu 1600 hops / s Fallstudie: Zyklisches senden von 8 Bit, 5/10/30/60/120 s A. Dementyev, et al. "Power Consumption Analysis of Bluetooth Low Energy, ZigBee, and ANT Sensor Nodes in a Cyclic Sleep Scenario" 2013 IEEE IWS Energieverluste durch Radio Time dominiert Besonders sparsame Funktechnologien haben sehr kurze Zeiten in denen sie funken. Bluetooth ist robust gegenüber Störsignalen Die breite Nutzung des Frequenzbands sowie automatische Retransmits beschädigter Pakete machen Bluetooth vergleichsweise Störungstolerant. Fallstudien bestätigen dies in der Praxis: • J. Lin et al. „An Empirical Performance Study of Intra-vehicular Wireless Sensor Networks under WiFi and Bluetooth Interference” 2013 IEEE • Higuera et al. “Experimental Study of Bluetooth, ZigBee […] on Board High-Speed Trains. 2012 IEEE VETECS 17 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sensornetzwerk Energiebedarf des Senders im Anwendungsfall Bluetooth Connection Übertragung als Notification → 12µA ∙ 3.3V = 39.6 µW oder 15µA ∙ 1.8V = 27.0 µW 18 09.06.2021 it's OWL InSensEPro - Inside it's OWL Daten und Abbildung: devzone.nordicsemi.com/nordic/power/w/opp/2/online-power-profiler-for-ble
Sensornetzwerk Plattform zum Datenempfang Ziel: Ein zentraler Empfänger Die Daten aller Sensorknoten werden von einem Transceiver empfangen und zentral der Steuerung bereitgestellt. ►Hohe Anforderungen an Central-Node Nordic Semiconductor • NRF52 max. 20 Connections • NRF53 >20 Connections 2021 DualCore: • 128/64 MHz Arm Cortex-M33 application processor with 1 MB Flash & 512 KB RAM • 64 MHz Arm Cortex-M33 network processor with 256 KB Flash & 64 KB RAM Blogbeitrag: blog.st.com/bluenrg-lp/ STMicroelectronics 2021 DualCore • Cortex-M0+ 32-bit, running up to 64 MHz 256 kB Flash & 64 kB RAM Pressefoto: https://www.nordicsemi.com/Software-and-tools/ • BlueNRG core coprocessor Development-Kits/nRF5340-DK 19 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sensornetzwerk Energy Harvesting Signifikanter Vorteil einer drahtlosen Anbindung des Sensornetzwerks ist vor allem dann gegeben, wenn der Sensorbetrieb energieautark gelingt: • Erste Abschätzung des Energiebedarfs: Bluetooth LE + Sensorelektronik • Welche Energieversorgung kommt hier in Frage? (Verfügbar + Bedarfsdeckend) • Verifikation unter Betriebsbedingungen Kommerzielle Produkte verfügbar 20 09.06.2021 it's OWL InSensEPro - Inside it's OWL Abbildungen: revibeenergy.com
Agenda • Motivation & Projektstruktur (Herr Barther) • Datenfusion eines Sensornetzwerks (Herr Wittenfeld) • Datenverarbeitung des Sensornetzwerks (Herr Penner) • Zusammenfassung 21 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Datenverarbeitung des Sensornetzwerks Problemdefinition 1 2 ….. ….. ML Modell Prozessgröße/ Qualitätsmaß N 22 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Datenverarbeitung des Sensornetzwerks Vergleich potentieller ML Verfahren Gunning et al. „DARPA’s Explainable Artificial Intelligence (XAI) Program“ 2019 Morocho-Cayamcelayear et al. „Machine Learning for 5G/B5G Mobile and Wireless Communications: Potential, Limitations, and Future Directions“ 2019 23 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Datenverarbeitung des Sensornetzwerks Datenakquise • Untersuchung des Modellparameter Prozessmodells anhand realer Sensordaten Prozessmodell Synthetische • Grundlage für መ , , , Sensormodell Adaption/Aufstellung eines , Daten Prozess- und Sensormodells Datensimulation Sensordaten Synthese • Data Augmentation durch Prozessgröße/ synthetische Datenakquise Qualitätsmaß Ground Truth Erweiterung der Trainingsdaten für ML Verfahren Maschinenparameter State of the Art ML Methoden berücksichtigen Labor- und Reale Daten Reale Sensoren Feldversuche Datengenerierung Sensordaten Ermittlung Gemessene Prozessgröße/ Qualitätsmaß 24 09.06.2021 it's OWL InSensEPro - Inside it's OWL Ground Truth
Datenverarbeitung des Sensornetzwerks Synthetische Datenakquise Modellparameter Prozessmodell Synthetische መ , , , Sensormodell , Daten Datensimulation Sensordaten Synthese Prozessgröße/ Qualitätsmaß Ground Truth Bisher: Prozessmodell basiert auf Voruntersuchungen seitens CLAAS (Prozessverständnis) Sensormodell basiert auf Vorversuchen mit Prozesssensorik seitens CLAAS und Uni Bielefeld Erweiterung anhand der Resultate aus den Versuchsreihen Modelle ermöglichen: • Erweiterung des Datensatzes • Prozessverständnis • Adaptive Parametrisierung (Anpassungsfähigkeit) Anpassung durch Labor- und Feldversuche 25 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Datenverarbeitung des Sensornetzwerks Erstellung eines ML Regressionsmodells Modellparameter ML AutoML Frameworks Prozessmodell Synthetische መ , , , Sensormodell , Daten Prozessgröße/ Qualitätsmaß Ground Truth Datensimulation Sensordaten Synthese Prozessgröße/ Qualitätsmaß Ground Truth Maschinenparameter Maschinen- und/oder ML Korneigenschaften Regressionsmodell Labor- und Reale Daten Reale Sensoren Feldversuche Datengenerierung Sensordaten Ermittlung Gemessene Training Prozessgröße/ Qualitätsmaß 26 09.06.2021 it's OWL InSensEPro - Inside it's OWL Ground Truth
Datenverarbeitung des Sensornetzwerks Validierung der ML Regressionsmodelle Prozessgröße/ Qualitätsmaß Ermittelte Maschinenparameter ML Regressionsmodell Labor- und Reale Daten Reale Sensoren Feldversuche Datengenerierung Sensordaten Ermittlung Gemessene Prozessgröße/ Qualitätsmaß Validierung Ground Truth 27 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Datenverarbeitung des Sensornetzwerks Analyse des Einflusses von Eingangsgrößen Einfluss / Wichtigkeit von 1 Eingangsgrößen messen: Permutation Beispiel:Feature Importance Permutation Verfahren: Misst Korrelation zwischen Feature Importance den Eingangsfeatures und dem 2 0,9 0,8 Ausgang 0,7 Fragen: 0,6 ….. ….. ML 0,5 Regressionsmodell -0,4 0,3 Wieviele Sensoren werden benötigt 0,2 und an welchen Positionen 0,1 N 0 - Welche Maschinenparameter und Kornparameter sind relevant 28 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Agenda • Motivation & Projektstruktur (Herr Barther) • Datenfusion eines Sensornetzwerks (Herr Wittenfeld) • Datenverarbeitung des Sensornetzwerks (Herr Penner) • Zusammenfassung 29 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Zusammenfassung Sensorik • Aufbau eines Sensornetzwerks im Inneren einer Erntemaschine • Ermittlung von Prozessgrößen für die Automatisierung der Erntemaschine • Ermittlung von geeigneten Sensorpositionen in Erntemaschine • Konzeptionierung von drahtloser Kommunikation Datenverarbeitung des Sensornetzwerks • Untersuchung verschiedener überwachter Lernverfahren • Geplante Erweiterung der Messreihen durch Data Augmentation Komplexität Erfassbarkeit des Systemkosten Maschineneffizienz Einzelsensor Ernteprozesses 30 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Diskussion 31 09.06.2021 it's OWL InSensEPro - Inside it's OWL
Sie können auch lesen
