Trends: IIoT, Machine Learning oder E-Mobility treiben die Entwickler

| Redakteur: Hendrik Härter

Was bewegt den Ingenieur und wie lässt sich sein Arbeitsalltag erleichtern? Auf der Eröffnungskeynote des VIP Kongresses 2017 gab Rahman Jamal Antworten.
Was bewegt den Ingenieur und wie lässt sich sein Arbeitsalltag erleichtern? Auf der Eröffnungskeynote des VIP Kongresses 2017 gab Rahman Jamal Antworten. (Bild: ELEKTRONIKPRAXIS)

Es sind die brennenden Themen der Entwickler: Industrial Internet of Things, Machine Learning oder die Elektromobilität. Der VIP Kongress 2017 von National Instruments beleuchtete die Trends und wagte einen Blick in die Zukunft.

Die rund 700 Teilnehmer auf dem VIP-Kongress 2017 von National Instruments informieren sich unter anderem über aktuelle NI-Produkte und Projekte beispielsweise der 40 Aussteller. Das Technologie-Unternehmen unterstützt nicht nur im Heute, sondern blickt auch in die Zukunft. Wir wollten es genauer wissen und fragten Rahman Jamal, Global Technology & Marketing Director bei National Instruments.

Herr Jamal, in der Keynote warfen Sie einen Blick auf die Trends von heute und morgen. Was bewegt den Markt und inwiefern sind die Ingenieure davon betroffen?

Zu aller erst ist das Industrial Internet of Things oder IIoT zu nennen. Selbstverständlich gehört hierzu auch die „Industrie 4.0“. Das IIoT umfasst mehr als nur Industrie 4.0 oder die „smarte Fabrik von morgen“. Es deckt auch „Smart Grid“, „Smart Health“ oder „Smart Vehicle“ ab. 95 Prozent der Unternehmensleitungen rechnen damit, dass ihre Firma innerhalb der nächsten drei Jahre auf den IIoT-Zug aufspringen wird. Bei den vernetzten Dingen fallen Unmengen an Daten an – wir bei NI sprechen von „Big Analog Data“.

Doch die Daten allein sind nicht viel wert. Um aus dieser Datenflut wirklich nützliche Informationen zu ziehen, müssen die Daten analysiert werden, Stichwort „Data Analytics“. So lassen sich etwa Betriebszeiten maximieren oder Produktentwicklungen vorantreiben. IIoT-fähige Anwendungen sind also ein klarer Wettbewerbsvorteil. Mit heutiger Analysesoftware und Edge-Hardware ist es sogar relativ einfach, aus kleineren IIoT-Pilotprojekten geschäftliche Vorteile zu ziehen.

Neben dem IIoT gibt es weitere Trends, die sich abzeichnen. Welche wären das?

Hier ist das Machine Learning zu nennen, das dem einen oder anderen sicherlich schon im Zusammenhang mit „AI“ oder „Künstlicher Intelligenz“ begegnet ist. Machine Learning ermöglicht die automatisierte Umwandlung von Daten in wertvolle Erkenntnisse, anhand derer ein Unternehmen seine betrieblichen Prozesse verbessern kann. Es geht hier quasi um die „künstliche“ Generierung von Wissen aus Erfahrung.

Was hat der Ingenieur aktuell mit KI zu schaffen und wo kommt Machine Learning zum Einsatz?

Bei der Datenerfassung in industriellen Systemen wie Produktions- und Betriebsanlagen fallen teilweise Milliarden von Rohdaten pro Sekunde an. Bis zum Jahr 2020 sollen es industrielle Anlagen sogar auf 78 Exabytes schaffen. Diese Daten enthalten wertvolle Informationen – aber ihre Anzahl wächst schnell. Machine Learning wird bei der vorausschauenden Wartung eingesetzt. Man will herausfinden, wann eine Maschine gewartet werden muss.

Bei der Validierung hilft Machine Learning dabei, welche dringenden Tests anstehen. Und das dritte Einsatzgebiet ist der Produktionstest. Hier möchte der Ingenieur erfahren, wenn Produkte defekt sind. Oftmals wird beim Machine Learning das Hauptaugenmerk auf die Algorithmen gelegt. Aber der Prozess in einem Machine-Learning-System beginnt schon bei der Datenerfassung: dem riesigen Berg an Big Analog Data. Machine Learning identifiziert, welche Inhalte eines Datensatzes relevanter sind.

Hier stellt sich die Frage, wie die Werkzeuge von NI helfen, Machine Learning voranzutreiben?

LabVIEW ist eine offene Plattform. Entwicklern können ihre Daten mit unterschiedlichen Arten von Machine-Learning-Techniken verknüpfen. Zudem haben wir kürzlich das LabVIEW Analytics and Machine Learning Toolkit vorgestellt, mit dem sich Machine Learning direkt am Edge von Zustandsüberwachungsanwendungen für die vorausschauende Wartung umsetzen lässt.

Machine Learning nutzt heterogene Datenverarbeitung. Verarbeitet werden die Daten in verschiedensten Verarbeitungsblöcken wie CPUs, FPGAs und anwenderspezifischen neuralen Prozessoren. Zuerst einmal müssen Daten erfasst und in die neuralen Netzwerke eingespeist werden, damit die Maschinen lernen bzw. trainiert werden können. Die Validierung dieser trainierten Maschinen ist eine weitere Herausforderung – denn einen Algorithmus auf seine Korrektheit zu überprüfen ist hier nicht so einfach möglich.

Als einen weiteren Trend haben Sie die elektrischen Fahrzeuge thematisiert. Was tut sich hier?

Überall auf der Welt kommen von Regierungsseite kühne Aussagen über die Zukunft elektrischer Fahrzeuge auf den Straßen. China zum Beispiel gab an, bis zum Jahr 2020 fünf Millionen abgasfreie Fahrzeuge anzupeilen. Deutschland und das Vereinte Königreich haben sich selbst die Jahre 2030 bzw. 2040 als Zielzeitpunkt gesetzt, zu dem sie die letzten neuen benzin- und dieselbetriebenen Fahrzeuge auf den Markt bringen.

Als Antwort auf neue Vorschriften haben Automobilhersteller wie Volvo und Jaguar Land Rover ebenfalls mutige Aussagen gemacht, wann ihre gesamte Fahrzeugflotte entweder mit Hybrid- oder reinen Elektromotoren ausgestattet sein wird. Die Elektrifizierung der Autos beeinflusst allerdings weit mehr als die Produktionsstätte der Fahrzeuge.

Im modernen Fahrzeug werden mechanisch gekoppelte Systeme durch Sensoren, Regelsysteme und elektrische Aktuatoren ersetzt. Verstärkt wird das durch die Sensoren, die in Sicherheits- und Fahrerassistenzsystemen zum Einsatz kommen und zur Sicherheit von Fahrer und Passagieren beitragen.

Die Kombination der stets wachsenden Anzahl an Stromquellen und -verbraucher machen das Automobil zu einem sehr kompakten Mikronetzwerk oder Microgrid.

Das dürfte den Automobilmarkt kräftig durcheinander wirbeln!

Nicht nur das! Ähnliches lässt sich im Stromversorgungsnetz beobachten. Hier nimmt die Komplexität zu, weil das herkömmliche Paradigma großer, zentralisierter Stromgeneratoren einem immer komplexeren Netzwerk verteilter Kleinkraftwerke mit Energiespeicherelementen weicht. Die Zunahme an elektrischen Fahrzeugen wird die Komplexität weiter vorantreiben, da es somit noch mehr Stromquellen und -abnehmer im Netzwerk gibt.

Das wirkt sich nicht nur auf die Energieverteilung aus, sondern auch auf den Stromverbrauch und die Spitzenbelastungszeiten. Bei Tankstellen erfordern Schnellladestationen eine ähnlich große Menge an Energie wie ein mittelgroßes Wohngebiet. Das Stromnetz und die Fahrzeuge von morgen werden eine größere Anzahl komplexerer Steuer- und Regelsysteme erfordern. Verteilte Steuer- und Regelsysteme wiederum werden mehr und bessere Tests benötigen, damit für Sicherheit und kontinuierlichen Betrieb gesorgt ist.

Und auch hier die Frage: Wie unterstützt National Instruments die Entwickler?

Wir haben nicht nur Erfahrung bei Hardware-in-the-Loop, sondern auch bei einer Vielzahl anderer Automobilanwendungen. Seien es herkömmliche Anwendungen im Bereich der Karosserien, Chassis und Antriebsstränge oder hochmoderne ADAS- und Anschlusstechnologien, die das autonome Fahrzeug ausmachen.

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: 44967022 / Messen/Testen/Prüfen)