Brauchen Sie wirklich all diese Sensor-Rohdaten? Nein! Es gibt einen besseren Weg

Wenn Sie Anwendungen entwickeln, die mit Sensordatenströmen arbeiten, sind Sie mit großer Wahrscheinlichkeit ein Datenjunkie wie ich. Es ist eine gewisse Genugtuung zu sehen, wie Ihre Sensorkomponenten Daten in Ihre Anwendungen einspeisen, und mit der Fülle leicht verfügbarer Sensoren es ist einfach, weitere Datenströme hinzuzufügen.

Sensorsysteme können Makroereignisse erfassen, die sich in eine erweiterte Folge von Messungen mit erstaunlicher Detailgenauigkeit zerlegen lassen. Selbst der leidenschaftlichste Datenjunkie wird jedoch zugeben, dass riesige Mengen an Rohdaten allein den Zielen der Anwendung nicht dienlich sind. Es geht um die Ereignisse selbst und nicht um die fein gerasterten und sortierten Messungen der einzelnen Ereignisse. Glücklicherweise kann das Aufkommen intelligenter Sensoren dazu beitragen, die Aufmerksamkeit wieder auf Ereignisse zu lenken, die für Anwendungen und ihre Nutzer wichtig sind.

Da es immer einfacher wird, mehr Sensordaten zu generieren, verwandeln sich die Datenströme in eine Flut von Rohdaten und können die eingebettete Hardware und Software, die aus all diesen Daten etwas Nützliches machen soll, überfordern. Es geht nicht nur darum, dass die Datenmenge die Kapazitäten der Verarbeitungs- und Kommunikationsanlagen übersteigt. Zudem können die detaillierten Messungen für Anwendungsentwickler und Benutzer zur Ablenkung werden, da sie sich auf kleine Details konzentrieren und nicht auf übergeordnete Abstraktionen, die normalerweise für die Entscheidungsfindung benötigt werden.

Der Umgang mit Abstraktionen

Abstraktion bedeutet per Definition einen gewissen Verlust an Details. Bei datenzentrierten Anwendungen kann die Arbeit mit abgeleiteten Daten, die von mehreren Rohmessungen abstrahiert wurden, Ingenieure in ihrer verständlichen Sorge beunruhigen, ein Detail zu übersehen, das sich später als wichtig erweisen könnte. Das ist sicherlich ein berechtigtes Anliegen für Anwendungen, wie z. B. Datenaufzeichnungsgeräte für das Transportwesen oder die Sicherheit, die ein neuartiges Ereignis identifizieren oder eine Ursache enträtseln müssen.

Bei vielen Verbraucher- und Industrieanwendungen sind die spezifischen Merkmale eines Ereignisses von Interesse jedoch gut bekannt. Ein plötzlicher Fall einer Person oder eines Objekts erzeugt spezifische Bewegungsartefakte, und Fehler in Industriemotoren weisen vorhersehbare Vibrationsmuster auf. Die Details dieser Merkmale sind im Allgemeinen für viele Anwendungen auf höherer Ebene nicht von Bedeutung. Die Anwendung muss nur alarmiert werden, wenn der Fall oder die Störung eintritt. Natürlich erfordern die Mechanismen, die zur Erkennung des Alarmzustands eingesetzt werden, detaillierte Sensormessungen.

Mit dem gleichen Problem sah ich mich bei einem Projekt konfrontiert, bei dem eine riesige Datenmenge für eine Anwendung erzeugt wurde, die sich mit Ereignissen auf höchster Ebene befasste. Die detaillierten Daten wurden benötigt, um die Informationen zu den Ereignissen auf höchster Ebene zu generieren, aber uns wäre der Speicherplatz ausgegangen, wenn wir versucht hätten, Messdaten zu archivieren, die über ein kurzes Zeitfenster der Aktivität hinausgehen. Eine Abstraktionsmethode, die auf maschinellem Lernen und anderen Analysemethoden basiert, half uns weiter.

Nach zahlreichen Tests waren wir zuversichtlich, dass wir die Abstraktion im Handumdrehen erzeugen und alte Messdaten einfach überschreiben konnten.

Fokussierung auf Ereignisse

Hochmoderne Sensoren wie die iNEMO-Trägheitsmesseinheiten (inertial measurement unit, IMU) von STMicroelectronics bieten diese Art von Fähigkeit für dauerbetriebene Anwendungen. Zu den stromsparenden IMU gehören die LSM6DSOX für batteriebetriebene Verbraucheranwendungen, die LSM6DSRX für hochpräzise Anwendungen und die ISM330DHCX für industrielle Anwendungen. Diese IMU enthalten einen programmierbaren endlichen Automaten (EA) und einen Kern für maschinelles Lernen (machine learning core, MLC), den Sie mit Ihren eigenen Trainingsdatensätzen anlernen können (siehe „Verwenden Sie intelligente Sensoren mit integriertem Kern für maschinelles Lernen zur Erkennung komplexer Bewegungsabläufe in der energiesparenden immer aktiven Bewegungsverfolgung“).

Wenn eine dieser Komponenten die mit einem Ereignis von Interesse verbundenen Muster erkennt, kann es einen Interrupt für einen Host-Prozessor setzen. Der Host-Prozessor kann dann die entsprechende Anwendungslogik ausführen. Wenn Sie die Bewegungsrohdaten allein oder in Kombination mit den Ereignis-Interrupts benötigen, können Sie die Rohmessdaten wie bei jedem Weg- und/oder Geschwindigkeitsgeber auslesen (Abbildung 1).

Abbildung 1: Die iNEMO-IMU von STMicroelectronics enthalten eine vollständige Digitalkette, die konditionierte Daten für den integrierten FSM und MLC sowie für den Host-Zugriff über den FIFO-Puffer (First in first out) der IMU erzeugt. (Bildquelle: STMicroelectronics)

Die Fähigkeit des Sensors, seine eigenen Messungen zu überwachen und abstraktere Ereignisse zu identifizieren, reduziert die Belastung von Prozessor und Kommunikationskanal und weist den Weg zu einer neuen Generation intelligenter Sensoren. Noch wichtiger ist, dass Sensoren, die Rohdaten intern analysieren und nützliche Informationen ausgeben können, die Schaffung effizienterer Maschinenlern-Designs ermöglichen, die mehr abgeleitete Daten als Rohmessungen liefern.

Fazit

Um eine Anwendungslösung auf abgeleitete Daten statt auf Rohmessungen zu konzentrieren, ist kein lernfähiger Sensor erforderlich. Bei relativ einfachen Datensätzen kann der Host-Prozessor des Sensorsystems genügend Zyklen zur Verfügung haben, um einen Entscheidungsbaum zur Identifizierung von Ereignissen auszuführen. Bei größeren Implementierungen können Sie jedoch eine dezentrale Rechenressource zwischen dem Sensor und dem nachgelagerten Host verwenden, um die Abstraktionstransformation durchzuführen. Unabhängig von der Umsetzung hilft die Reduzierung von Daten auf nützliche Abstraktionen in Anwendungsbereichen, in denen weniger mehr sein kann.

Referenzen:

Verwenden Sie intelligente Sensoren mit integriertem Kern für maschinelles Lernen zur Erkennung komplexer Bewegungsabläufe in der energiesparenden immer aktiven Bewegungsverfolgung

1 - https://www.digikey.com/en/articles/use-a-smart-sensors-built-in-machine-learning-core-to-optimize-always-on-motion-tracking