In drei Schritten zum virtuellen Sensor
Von der Messdatei zum einsatzbereiten Modell sind es drei Schritte: Kanäle festlegen, Training, Export. Alle drei laufen in derselben Anwendung auf Ihrem eigenen Rechner, ohne Python-Umgebung und ohne dass Messdaten das Firmennetzwerk verlassen.
Schritt 1: Messdaten laden und Kanäle festlegen
Öffnen Sie Ihre Aufzeichnung (CSV, MAT, MDF/MF4 oder TXT) oder importieren Sie einen CAN- oder CAN-FD-Trace (.asc oder .blf), der gegen seine Signaldatenbank (.dbc) dekodiert wird. Beim Öffnen werden alle Kanäle auf eine gemeinsame Zeitachse ausgerichtet, sodass unterschiedlich schnell aufgezeichnete Signale von Anfang an zusammenpassen.
Anschließend bestimmen Sie, welche Kanäle das Modell als Eingang bekommt und welches Signal es nachbilden soll. Trainingsdaten müssen nicht in einer einzigen Datei liegen: Neben der aktuellen Datei lassen sich mehrere Dateien oder ein ganzer Ordner auswählen. Heißt dasselbe physikalische Signal in verschiedenen Dateien unterschiedlich, ordnet eine Zuordnungstabelle den richtigen Kanal je Datei einmalig zu (wiederverwendbar als gespeicherte CSV-Datei).
Schritt 2: Training und Vergleich
Zur Wahl stehen Random Forest, XGBoost und neuronale Netze. Keine dieser Familien ist für jede Aufgabe die beste. Eine Vorauswahl ist deshalb nicht erforderlich: Der Modellwettbewerb trainiert mehrere Kandidaten gleichzeitig gegen dieselben Eingangs- und Ausgangskanäle und stellt sie in einer Bestenliste gegenüber.
Die Modellgüte solcher Ersatzmodelle hängt von Hyperparametern ab, also von Parametern, die vor dem Training festgelegt werden: bei einem Random Forest etwa Baumanzahl, maximale Tiefe und minimale Blattgröße, bei einem neuronalen Netz Schichtanzahl, Neuronen pro Schicht und Lernrate. Die Bestimmung dieser Hyperparameter erfolgt in Data Sensors automatisiert, per Bayes-Optimierung, Random Search, Grid Search oder einer Surrogatstrategie.
Bewertet wird auf einem zurückgehaltenen Validierungsanteil, also auf Daten, auf denen das jeweilige Modell nicht trainiert wurde. Die Bestenliste führt Validierungs-RMSE und R² nebeneinander auf, dazu Trainingszeit und eine Anpassungsdiagnose. Bei ausreichend großen Datensätzen wird zusätzlich ein separater Testanteil abgetrennt, der weder beim Training noch bei der Modellauswahl verwendet wird.
Schritt 3: Als eigenständigen Code exportieren
Das ausgewählte Modell wird direkt nach C, C++, Python oder MATLAB exportiert: C für einen reinen MCU-Build, C++ für eine klassenbasierte Schnittstelle, Python für ein Analyseskript oder einen Dienst, MATLAB für den Einsatz in einem Simulink-Block. Der erzeugte Code ist eine eigenständige Implementierung der Vorhersagefunktion, ohne Abhängigkeit von Data Sensors und ohne Laufzeitbibliothek, gegen die gelinkt werden müsste.
Exportiert wird wahlweise in voller Genauigkeit oder int8-quantisiert, und der Dialog zeigt für beide Varianten vorab eine Schätzung von Größe und Genauigkeit. Die Entscheidung zwischen Flash-Budget und Genauigkeit fällt damit vor dem Speichern. Exportierbar ist dabei jeder Eintrag der Bestenliste einzeln, nicht nur der Erstplatzierte: Ein etwas weniger genaues Modell kann auf Ihrer Zielhardware schneller laufen oder besser in den Speicher passen.
Was Sie dafür brauchen
Eine Messung, in der sowohl die späteren Eingangskanäle als auch die Zielgröße aufgezeichnet sind. Die Zielgröße muss dabei mit einem physischen Sensor gemessen werden, da sie als Referenz für das Training dient. Wie viele Daten nötig sind, hängt vom Zusammenhang ab; ob sie gereicht haben, zeigt die Bewertung auf dem zurückgehaltenen Anteil. Weitere Voraussetzungen gibt es nicht: keine Python-Installation, kein Konto, keine Internetverbindung.