Bringt künstliche Intelligenz einen echten Mehrwert bei der Ansteuerung von Motoren in mechatronischen Systemen? Diese Frage steht im Zentrum eines gemeinsamen Projekts, das wir vor einiger Zeit mit der Technischen Hochschule Nürnberg Georg Simon Ohm gestartet haben. Jetzt gibt es erste Ergebnisse!
Gemeinsam arbeiten mit dem Team von Prof. Dr.-Ing. Cristian Axenie, Forschungsgruppenleiter des SPICES Labs am KI-Zentrum der TH Nürnberg, an innovativen Ansätzen zur Nutzung künstlicher Intelligenz auf ressourcenbeschränkten Mikrocontrollern. Ziel der Zusammenarbeit ist es, das Potenzial von neuronalen Netzen und lernbasierten Verfahren für Motorsteuerung und Antriebsregelung praxisnah zu untersuchen und in konkrete Anwendungen zu überführen.
Dazu Stefan Angele, Geschäftsführer von Burger Engineering: „Wir wollten herausfinden, ob sich bestehende Regelungen auf marktüblichen Embedded Controllern zur Regelung von DC- und BLDC-Motoren mit Hilfe von KI optimieren oder sogar ersetzen lassen – und zwar in konkreten Produktanwendungen wie beispielsweise Stellantrieb-Aktuatoren.“
Per Reinforcement-Learning auf den Mikrocontroller
Im Projektverlauf kombinierte das Team erfolgreich aktuelle Methoden des maschinellen Lernens mit Frameworks wie TinyML und TensorFlow Lite for Microcontrollers, um neuronale Netze und andere lernbasierte Regelungsansätze direkt auf Mikrocontrollern auszuführen. Dabei wurden verschiedene Optimierungstechniken eingesetzt, um Speicher- und Rechenressourcen effizient zu nutzen.
Ergänzend kamen state-of-the-art Reinforcement-Learning-Algorithmen (RL) zum Einsatz, um die Leistungsfähigkeit adaptiver Steuerungen gegenüber klassischen Regelverfahren zu bewerten und dabei zu helfen diese zu optimieren. RL-basierte Steuerungen zeigten eine höhere Anpassungsfähigkeit an dynamische Änderungen wie beispielsweise Lastschwankungen oder nichtlineare Effekte und erreichten schnellere Konvergenz.
Im Rahmen des Projekts wurde daher ein „RL-Tool“ entwickelt, welches eine praxisnahe Brücke zwischen Forschung und industrieller Anwendung darstellt, indem es den Training-Prozess von RL-Agenten an einem Mikrocontroller (µC) vereinfacht.
Die aktuellen Ergebnisse zeigen, dass neuronale Netze und Reinforcement Learning in Kombination mit TinyML ein vielversprechender Ansatz für eingebettete Systeme sind. Die stetig steigende Leistungsfähigkeit moderner Mikrocontroller sowie das Aufkommen spezialisierter Neural Processing Units (NPUs) oder Neuromorpher Prozessoren eröffnen dabei neue Möglichkeiten für den Einsatz von künstlicher Intelligenz in ressourcenbeschränkten eingebetteten Systemen.
Dazu Prof. Dr.-Ing. Cristian Axenie, BURGER ENGINEERING Projektpartner und Forschungsgruppenleiter des SPICES Labs am KI-Zentrum der TH Nürnberg: „Unsere Arbeitsergebnisse zeigen, dass sich neuronale Netze trotz begrenzter Hardwareleistung mit Latenzen im Millisekundenbereich zuverlässig ausführen lassen – ein wichtiger Schritt in Richtung intelligenter, selbstanpassender Antriebssysteme.“ In naher Zukunft soll nun noch untersucht werden, wie AutoML-Verfahren und Online-Lernen direkt im laufenden Betrieb umgesetzt werden können – etwa in Robotik-, IoT- oder Automatisierungsanwendungen.
