Trainieren Sie einen virtuellen Sensor aus echten Messdaten
Data Sensors trainiert Random-Forest-, XGBoost- und neuronale Netzmodelle direkt auf Ihren eigenen Aufzeichnungen - kein Cloud-Upload, keine Labeling-Pipeline, keine separate Python-Umgebung zu pflegen. Zeigen Sie auf eine Messdatei, wählen Sie die Eingangskanäle und das Ziel, das nachgebildet werden soll, und lassen Sie ein passendes Modell finden.
Eine Datei, mehrere Dateien oder ein ganzer Ordner
Die meisten Werkzeuge zur Sensormodellierung gehen davon aus, dass Ihre Trainingsdaten in einer einzigen, ordentlichen Datei liegen. Reale Messkampagnen funktionieren so nicht - ein Datenlogger läuft voll, ein Test wird über mehrere Sitzungen verteilt, oder Sie möchten schlicht auf jedem aufgezeichneten Fahrzyklus trainieren, nicht nur auf dem letzten. Data Sensors trainiert sequenziell über beliebig viele Dateien und fügt sie zu einem Datensatz zusammen - selbst wenn dasselbe physikalische Signal in verschiedenen Dateien unter unterschiedlichem Kanalnamen protokolliert wurde: eine Zuordnungstabelle lässt Sie den richtigen Kanal je Datei einmal zuweisen und diese Zuordnung später als gespeicherte CSV-Datei wiederverwenden.
Auswahl der Trainingsdatenquelle
(diese Datei / Dateien auswählen / Ordner auswählen)
Random Forest, XGBoost oder neuronales Netz - Ihre Wahl
Es gibt keine einzelne beste Modellfamilie für jedes Sensormodellierungsproblem - ein Random Forest ist oft der schnellste Weg zu einer soliden Basislinie, Gradient-Boosted Trees (XGBoost) können bei strukturierten tabellarischen Signalen mehr Genauigkeit herausholen, und ein neuronales Netz ist meist die richtige Wahl, wenn der Zusammenhang zwischen Eingang und Ziel glatt und stark nichtlinear ist. Data Sensors lässt Sie alle drei direkt trainieren - und wenn Sie sich nicht sicher sind, welches auf Ihren Daten tatsächlich gewinnt, trainiert der Modellwettbewerb alle gleichzeitig und bewertet sie für Sie.
Auto-Tuning ohne manuell gewählte Hyperparameter
Alle drei Modelltypen können ihre eigenen Hyperparameter automatisch optimieren, statt manuell gewählte Werte zu erfordern. Random Forest durchsucht Baumanzahl, maximale Tiefe und minimale Blattgröße; XGBoost durchsucht Baumanzahl, maximale Tiefe und Lernrate; das neuronale Netz durchsucht Schichtanzahl, Neuronen pro Schicht und Lernrate. Jeder Modelltyp kann per Bayes-Optimierung (Gauß-Prozess, Standard), Zufallssuche, Rastersuche oder einer Random-Forest-/XGBoost-Surrogatstrategie automatisch abgestimmt werden - je nachdem, wie viel Rechenzeit Sie investieren möchten. Beim Training auf mehreren Dateien läuft die Suche selbst gegen eine einzelne repräsentative Datei, um schnell zu bleiben; anschließend wird die Gewinnerkonfiguration auf dem vollständigen Datensatz aus mehreren Dateien neu trainiert.
Auto-Tuning-Fortschritt
(Suchstrategie, Epoche, Validierungsfehler)
Vom Training zu eigenständigem Code, ohne die App zu verlassen
Ein trainiertes Modell ist erst dann nützlich, wenn es die Desktop-App verlassen hat und irgendwo real läuft - auf einem Steuergerät, in einem Simulink-Block oder in einem Python-Analyseskript. Jedes von Data Sensors trainierte Modell kann direkt nach C, C++, Python oder MATLAB exportiert werden, in voller Genauigkeit oder int8-quantisiert, mit einer Live-Vorschau von Größe und Genauigkeit vor dem Speichern. Siehe Modellwettbewerb, um mehrere Modelltypen gleichzeitig zu trainieren und vor dem Export zu vergleichen.
Jeder trainierte Sensor lebt in seinem eigenen Panel für virtuelle Signale
Jedes von Ihnen trainierte Modell - ob aus diesem Dialog, aus einem Eintrag des Modellwettbewerbs oder durch den Rückimport eines zuvor exportierten C-, C++- oder Python-Modells - erscheint als Signal in einem eigenen Panel für virtuelle Signale, getrennt von Ihren realen Kanälen und berechneten Signalen. Benennen Sie jedes davon jederzeit um oder löschen Sie es; beim Umbenennen greift dieselbe Eindeutigkeitsprüfung für Namen, die auch sonst überall in der App verwendet wird, sodass ein virtueller Sensor nie mit einem realen Kanal oder einem berechneten Signal kollidieren kann. Haben Sie bereits ein exportiertes Modell auf der Festplatte? Importieren Sie es zurück, ordnen Sie einmalig seine Eingangskanäle zu, und es läuft direkt gegen Ihre aktuell geladene Messung, ganz ohne erneutes Training.