{"id":4468,"date":"2019-11-18T13:05:59","date_gmt":"2019-11-18T11:05:59","guid":{"rendered":"https:\/\/blog.iese.fraunhofer.de\/?p=4468"},"modified":"2024-02-19T12:18:06","modified_gmt":"2024-02-19T11:18:06","slug":"soft-sensor-as-a-service","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/soft-sensor-as-a-service\/","title":{"rendered":"\u00bbSoft-Sensor as a Service\u00ab – Effektivierung und Automatisierung kognitiver Sensorsysteme"},"content":{"rendered":"

Sensorsysteme, deren Kalibrationsmodell nicht auf physikalischen Gleichungen, sondern auf maschinell \u2013 \u00bbkognitiv\u00ab \u2013 gelernten Parameters\u00e4tzen basiert, sog. Softsensoren, sind eine Schl\u00fcsseltechnologie f\u00fcr die Erfassung des komplexen biologischen Systems \u00bbPflanze\u00ab mittels Feldsensorik vor dem Hintergrund komplexer biotischer und abiotischer Stressfaktoren. F\u00fcr die effektive und robuste Nutzung dieser Technologie m\u00fcssen ingenieurtechnische Herausforderungen bew\u00e4ltigt werden.<\/p>\n

\n

Im Fraunhofer-Leitprojekt \u00bbCognitive Agriculture\u00ab<\/b> (kurz: \u00bbCOGNAC\u00ab) for\u00adschen neben dem Fraunhofer IESE weitere sieben Fraunhofer-Institute gemein\u00adsam an Grundlagen, die dem Landwirt in einer digitalisierten Welt hohe Produkti\u00advit\u00e4t im Einklang mit weiteren Zielen wie Nachhaltigkeit oder Produktqualit\u00e4t er\u00adm\u00f6glichen. Unsere Gastautoren vom Fraunhofer-Institut f\u00fcr Fabrikbetrieb und -automatisierung IFF pr\u00e4sentieren ihren Ansatz <\/em>\u00bbSoft-Sensor as a Service\u00ab.<\/p>\n

 <\/p>\n

\"Sebastian<\/p>\n

Gastautor\/Ansprechpartner:<\/p>\n

Sebastian Warnem\u00fcnde
\nKognitive Prozesse und Systeme
\nFraunhofer IFF<\/p>\n

Telefon: +49 391 4090-108<\/p>\n

sebastian.warnemuende@iff.fraunhofer.de<\/a><\/p>\n<\/div>\n

Ansatz Soft-Sensorik<\/strong><\/h3>\n

Vereinfacht gesagt besteht ein Sensorsystem aus zwei Komponenten. Die erste Komponente ist ein Hardwareelement, welches eine bestimmte Eigenschaft eines Objektes durch einen physikalischen Effekt am Detektor in ein systematisch abh\u00e4ngiges Signal oder Verhalten umsetzt. Die zweite Komponente ist ein Kalibrationsmodell, welches dieses Signal oder Verhalten auf die zu bestimmende Eigenschaft eines Objektes abbildet. Ein einfaches Beispiel ist ein klassisches Thermometer, welches aus den Komponenten der Ausdehnung einer Fl\u00fcssigkeit (Verhalten am Detektor) und einer 2-Punkt-Kalibrierung (Gefrier- und Siedepunkt von Wasser) einen Sensor f\u00fcr die Messgr\u00f6\u00dfe Temperatur aufbaut. Die Sensorkalibrierung basiert hier also auf sehr gut untersuchten physikalischen Gesetzm\u00e4\u00dfigkeiten.
\nBei der Messung von Eigenschaften im Pflanzenmaterial, noch dazu nicht-invasiv im Feldbestand, sind diese physikalischen Gesetzm\u00e4\u00dfigkeiten schwieriger zu greifen. Hier sind in der Regel komplexe metabolische Reaktionen involviert, deren Zusammenhang mit den zu messenden Pflanzeneigenschaften nicht trivial und h\u00e4ufig nicht ausreichend bekannt ist. F\u00fcr die nicht-invasive Messung bietet sich vor allem optische Messtechnik an. In der Feldsensorik setzt man hier auf multi- oder hyperspektrale Sensorik, die neben dem visuellen Bereich auch den Infrarotbereich des Lichtes (elektromagnetisches Spektrum) erfasst. Der gemessene Reflexionsgrad des Pflanzenmaterials steht im systematischen Zusammenhang mit Eigenschaften wie N\u00e4hrstoffversorgung oder Krankheitsbefall durch Ver\u00e4nderung des Stoffwechsels in der Pflanze. Diese systematische Abh\u00e4ngigkeit ist aber sehr schwierig physikalisch-chemisch zu formulieren.<\/p>\n

Der Ansatz eines Softsensors besteht darin, statt eines physikalisch formulierten Kalibrationsmodells ein datengetriebenes Kalibrationsmodell mithilfe von Methoden des maschinellen Lernens zu erstellen. Dabei wird ein mathematisches Modell in seinen Parametern anhand von Beispieldaten, die durch systematische Feldmessungen erhoben wurden, optimiert. Das \u00bbLernen\u00ab in \u00bbmaschinellem Lernen\u00ab ist technisch gesprochen eine Parameteroptimierung. Sprachassistenten wie Amazons \u00bbAlexa\u00ab oder Fahrassistenzsysteme wie Teslas \u00bbAutopilot\u00ab sind bekannte Realisierungsformen dieses Ansatzes.<\/p>\n

Herausforderungen des industriellen maschinelles Lernens<\/strong><\/h3>\n

Der ingenieurtechnische Einsatz von maschinellem Lernen (ML) und daraus erzeugten Modellen in technischen Ger\u00e4ten ist, obwohl die Konzepte neuronaler Netze schon lange in der Wissenschaft Verwendung finden, ein sehr junges, aber aufstrebendes Technologiefeld. Dementsprechend gibt es immer noch weitestgehend ungel\u00f6ste Herausforderungen:<\/p>\n