NeMoH

In NeMoH wurden die Themenbereiche integrationsgerechte, neuromorphe Hard- und Software, die Generierung von Trainingsdaten, das Aufstellen von Entwurfsrichtlinien für Netzwerklassen und Hardwareeffizienz aufgegriffen. Die Basis bildet ein modular aufgebauter AI-Beschleuniger. Je nach geforderter Leistungsfähigkeit kann der Beschleuniger, ähnlich einem Baukasten, konfektioniert werden.

Für den Nachweis der Machbarkeit wurde eine Zustandsüberwachung von Magnetventilen der Firma Staiger GmbH & Co. KG aus Erligheim gewählt. Bei den Magnetventilen handelt es sich um kleine, schnell schaltende Ventile, die ein flüssiges/festes Medium kontrolliert steuern können. Für die Zustandsüberwachung wurde ihre Stromkennlinie bezüglich der Ein- und Ausschaltcharakteristik ausgewertet. Dieses Vorgehen hat den Vorteil, dass es sich um ein nicht-invasives Verfahren handelt, d. h. es muss nicht in den Aufbau des Ventils eingegriffen werden.

 

Thematisch lässt sich NeMoH in die Bereiche Datenerfassung, Architekturkonzept und Demonstrator unterteilen.

Datenerfassung

Grundlage des maschinellen Lernens sind Daten. Um schnell und effektiv Daten generieren zu können wurde ein 8-Kanal Datenerfassungsmodul entwickelt. Mit diesem Modul können Sensoren über eine Software gesteuert werden, sodass jeweils Strom- und Spannungswerte aufgenommen werden können. Zusätzlich kann das Messmodul weitere physikalische Daten wie Temperatur oder Beschleunigungswerte protokollieren. Die Plattform ist weitgehend generisch und nicht auf eine bestimmte Anwendung begrenzt.

Architekturkonzept

In NeMoH wurde ein Architekturkonzept aufgebaut, welches eine effiziente Abbildung von KI-Algorithmen gestattet, ohne dass die neuronalen Netze direkt in Hardware abgebildet werden müssen. Hierfür werden sogenannte Computational Units (CU) eingesetzt. Das Architekturkonzept ist dadurch hinreichend flexibel, um auch auf Anpassungen der Algorithmen nach einer möglichen Chip-Fertigung reagieren zu können. So ist es mit dieser prototypischen Werkzeugumgebung möglich, Netze aus etablierten Machine Learning Umgebungen, hier TensorFlow Lite, direkt auf den CUs abzubilden. Zugleich werden die entworfenen CU-Beschleuniger sowie die umgebende Plattform mittels CHISEL automatisiert in HDL übersetzt. Zur Etablierung eines Softwareentwicklungsprozesses parallel zur Hardwareentwicklung wurde das Generierungsframework dahingehend konzipiert und ausgeweitet, dass sogenannte Virtuelle Prototypen in SystemC, einer Sprache zur Beschreibung und Simulation von Hardware-/Software-Systemen, erstellt werden können. Die Ergebnisse wurden entlang des Magnet Ventil Use-Cases aufgebaut, umgesetzt und erprobt.

Ausgehend von den Ventiltrainingsdaten aus der Datenerfassung wurden Neuronale Netze zu verschiedenen Zwecken (u. A. Zustandserkennung und Klassifikation der Ventile, Erkennung von Temperaturen aus Verlaufskurven) trainiert und für einen Embedded-Einsatz optimiert. Weiterhin wurden optimierende statistische Vorverarbeitungen erarbeitet und umgesetzt, um den Informationsgehalt der Eingabedaten anzureichern und die Netzgrößen und somit die Hardwarekomplexität signifikant zu reduzieren. Eine Implementierung im Sinne des Edge Processing ist damit möglich.

Demonstrator

Das Zusammenspiel aller Komponenten wurde an einem Demonstrator gezeigt. Der Demonstrator enthält ein Magnetventil, welches sich zwischen zwei Druckleitungen befindet. Zusätzlich besteht das System aus einer Ansteuereinheit für Ventil und Drucksteuerung sowie einer FPGA-Entwicklungsplattform, die die AI-Auswertung enthält. Die Abmessungen des Aufbaus sind derart gewählt, dass es leicht transportiert und ausgestellt werden kann.