Integration von KI in industriellen Mensch-Maschine-Schnittstellen

| Autor / Redakteur: Markus Levy und Charles Murphy III * / Sebastian Gerstl

Aufwendig: Industrielle Benutzerschnittstellen mit integrierten KI-Funktionen stellen hohe Anforderungen an die eingesetzten MCUs. Diese müssen entsprechend leistungsstark sein.
Aufwendig: Industrielle Benutzerschnittstellen mit integrierten KI-Funktionen stellen hohe Anforderungen an die eingesetzten MCUs. Diese müssen entsprechend leistungsstark sein. (Bild: NXP)

KI verbessert moderne Mensch-Maschine-Schnittstellen, lässt aber deren Bedarf an die Rechenleistung nach oben schnellen. Das hat Auswirkungen auf die verwendeten Mikrocontroller und Prozessoren.

In industriellen Anwendungen hilft der Einsatz moderner Mensch-Maschine-Schnittstellen (Human Machine Interface, HMI), effiziente und sichere Arbeitsumgebungen zu gestalten. Das Integrieren von Künstlicher Intelligenz und Maschinellem Lernen (KI/ML) kann die Benutzerfreundlichkeit dieser HMIs verbessern. Denn dadurch lassen sich die Schnittstellen an den Benutzer anpassen und Bedienungsfehler vermeiden.

Ein HMI mit KI/ML kann zudem System- und Benutzerinformationen sammeln und analysieren. HMI an industriellen Arbeitsplätzen sind unterschiedlich komplex – abhängig von der Aufgabe, für die sie konzipiert wurden. So kann ein HMI seinem Benutzer helfen, beispielsweise mehrere Maschinen und Prozesse gleichzeitig zu steuern. Das HMI lässt sich an die Anforderungen des Anwenders anpassen. Zum Beispiel kann sich die Interaktion unter schwierigen Bedingungen auf Gesten beschränken. Das HMI muss dafür mit einer Kamera und Bewegungssensoren ausgestattet sein, damit es die Befehle des Benutzers erkennen kann. Das setzt leistungsfähige Prozessoren beziehungsweise Mikrocontroller (MCU) voraus, die Aufgaben wie Gesichts- und Gestenerkennung berechnen zu können. Simple Touchscreen-HMIs kommen im Vergleich mit weniger potenten MCUs aus.

Ein wichtiger Punkt ist die Alarmierung des Anwenders im Fehlerfall. Das kann zum Beispiel effektiv mithilfe akustischer oder visueller Meldungen erfolgen, etwa über ein blinkendes Licht oder eine Sirene. Um Fehler entdecken zu können, lassen sich Funktionen wie eine KI-gestützte Anomalie-Erkennung für die vorausschauende Wartung direkt in ein HMI-System integrieren. Dies ermöglicht eine kontinuierliche Überwachung der Maschinenzustände. Gleich, ob das HMI entdeckt, dass ein Teil nicht richtig funktioniert, oder ob es feststellt, dass der Benutzer nicht anwesend ist, das System ist für eine Selbsterhaltung gut gerüstet. Bei Bedarf lassen sich präventive Reparaturen in die Wege leiten, bevor Schäden entstehen.

Das HMI kann auch Daten über aufgetretene Schäden und deren Ursachen erheben und feststellen, ob solche Zustände in Zukunft vermieden werden können. In Echtzeitanwendungen können die gesammelten Daten an periphere Rechenknoten gesendet und dort ausgewertet werden. Für künftige Analysen lassen sich die Daten in der Cloud ablegen. Dieser hybride Ansatz erhöht die Geschwindigkeit, mit der das HMI Daten verarbeiten kann. Erneut haben die Aufgaben, die das HMI übernehmen soll, Einfluss auf die Dimensionierung der zu verwendenden MCUs.

Künstliche Intelligenz in HMI integrieren

Die Integration von KI in ein HMI kann helfen, Fehler im Betrieb des damit gesteuerten Systems zu vermeiden. Dies gilt unabhängig davon, ob die Fehler durch menschliches Zutun oder ohne bedingt sind. Ist zum Beispiel wegen eines Notfalls kein Bedienpersonal vor Ort, kann das System automatisch herunterfahren oder ein definiertes Notfallprotokoll verfolgen. Außerdem kann das KI-System durch Training lernen, welche Bedingungen vor einem Ausfall oder Notfall auftreten. Damit ist es in der Lage, präventiv zu handeln. Ein HMI mit integrierter KI kann darüber hinaus lernen, sich an Veränderungen der Umgebung sowie an eine veränderte Interaktion mit dem Benutzer anzupassen. Mithilfe von Sensoren, die zum Beispiel Bewegung, Temperatur und Luftfeuchtigkeit erfassen, kann das System mehr Informationen über die Arbeitsumgebung und die Art und Weise, wie sich diese verändert, geben. Die Weitergabe dieser Daten an das Bedienpersonal kann beim Erkennen instabiler Zustände und bevorstehender Ausfälle helfen.

Wie bereits erwähnt, ist auch die Präsenz des Bedienpersonals am HMI eine wichtige Information, die das KI-System erfasst. Weitere Sensoren, die vom HMI genutzt werden können, sind Kameras und Mikrofone. KI/ML-Systeme ermöglichen eine Gestenerkennung. Mit gezielten Bewegungen kann ein Benutzer seine Maschine oft viel schneller und intuitiver steuern als mit Eingaben über eine Tastatur oder einzelne Tasten. Dies ermöglicht eine schnellere Reaktion. Darüber hinaus kann der Einsatz von KI Rückschlüsse über die Verfassung des Bedienpersonals geben. Hier können Technologien aus der Automobiltechnik zum Erkennen von Sekundenschlaf oder Trunkenheit zum Einsatz kommen. Mithilfe dieser Algorithmen kann ein HMI entscheiden, ob sein Bediener fit ist und entsprechend reagieren.

Skalierbares MCU-Portfolio für einen breiten Einsatzbereich

Ein HMI sollte eine möglichst einfache Interaktion mit dem Bediener ermöglichen. Die Integration von KI/ML-Funktionen unterstützt diesen Ansatz. Zum Beispiel ermöglicht sie die Gesichtserkennung am HMI-Terminal. Sie kann als Identifikation und Anmeldung für den Bediener fungieren, ohne dass dieser eine Tastatur verwenden müsste – was in manchen Umgebungen ohnehin nicht möglich ist. Neben der verbesserten Interaktion sorgt dies zusätzlich für mehr Sicherheit.

Beim Entwickeln eines HMI mit hohem Integrationsgrad und KI/ML-Fähigkeiten müssen die erforderlichen Prozessorressourcen sorgfältig ermittelt werden. Während für ein einfaches HMI ohne Gesichtserkennung und andere anspruchsvolle Funktionen eine einfache MCU ausreichen mag, benötigen KI/ML-Funktionen und eine grafisch aufwendige Benutzeroberfläche deutlich mehr Rechenkapazität. Ein skalierbares Prozessor-Portfolio eignet sich gut für ein derartiges Vorhaben: Es kann einerseits die einfacheren, weniger anspruchsvollen Knoten handhaben und andererseits die Portabilität der Anwendung auf deutlich komplexere Maschinen-Schnittstellen mit einer Vielzahl von Eingängen gewährleisten.

Fazit

Unabhängig davon, wie oder wo Daten gespeichert werden – ihre Sicherheit und die der Systeme, die die Daten generieren und verarbeiten, hat höchsten Stellenwert. Wichtige Sicherheitsmaßnahmen wie eine übergreifende Verschlüsselung werden in Hard- und Software umgesetzt. KI/ML kann die Systemsicherheit steigern. So kann KI ungewöhnliche Aktivitäten erkennen und verhindern, dass weder Daten noch Systemsoftware manipuliert werden. Dies trägt dazu bei, dass von außen eingeschleuste Software keine Daten an unbekannte Dritte übertragen kann.

Zudem stellt dies sicher, dass Systemsoftware nicht kopiert oder verändert wird. Integrierte KI kann auch dazu dienen, die Authentizität des Betriebssystems und der Software bei jedem Neustart eines HMI zu verifizieren und so die Wahrscheinlichkeit zu verringern, dass das System beeinträchtigt oder geklont wird. Ebenso kann ein System durch Integration von KI in die Lage versetzt werden, die Sicherheit der Daten und des HMI zu gewährleisten, indem es eine Bedrohung erkennt und eine Sabotage verhindert. Das HMI wird dadurch schneller, leistungsfähiger und sicherer. Auch lernt es, eingehende Daten vorab zu beurteilen und präziser zu verarbeiten.

Letztlich eröffnet sie ein enormes Potenzial für eine Vielzahl von Anwendungen im Arbeitsumfeld. Dank KI/ML-Unterstützung können HMIs mit größerer Autonomie arbeiten, so dass sich der Bediener besser auf eine größere Anzahl von Aufgaben konzentrieren kann. Eine vermehrte Nutzung und der Rückgriff auf solche Systeme wird zu einer größeren Fülle an Daten führen, die wiederum genutzt werden können, um künftige Systeme besser zu konditionieren. Künstliche Intelligenz und Lösungen für maschinelles Lernen in Mensch-Maschine-Interface-Systemen stellen die Weichen für eine Zukunft, in der industrielle Anwendungen noch sicherer und effizienter sein werden. Moderne MCUs unterstützen diese Entwicklung.

Intelligentere Edge-Endgeräte durch Künstliche Intelligenz in FPGAs

Intelligentere Edge-Endgeräte durch Künstliche Intelligenz in FPGAs

28.03.19 - Künstliche Intelligenz scheint oft aufwändige Cloudverbindungen und hohen Stromverbrauch zu fordern. Doch auch mit Low-Cost-FPGAs lässt sich eine effiziente, günstige KI-Implementierung sicherstellen. lesen

Basiswissen Künstliche Intelligenz und Maschinelles Lernen

Künstliche Intelligenz in der Industrie

Basiswissen Künstliche Intelligenz und Maschinelles Lernen

Was ist der Unterschied zwischen künstlicher Intelligenz, maschinellem Lernen und einem neuronalen Netz? Wie lernt eine Maschine? Und welchen Nutzen bringt der Einsatz von KI-Technologie in der Industrie? Die Antworten finden Sie in diesem Dossier. weiter...

* Markus Levy ist Director, AI and Machine Learning, von NXP Semiconductors in Austin, USA

* Charles Murphy III ist Graduate Student - Applied Cognition and Neuroscience in Austin, USA

Kommentar zu diesem Artikel abgeben

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46038896 / Mikrocontroller & Prozessoren)