No Code: virtuelle Sensoren ohne Python-Umgebung
Der übliche Weg zu einem Sensormodell führt über eine Python-Umgebung, ein Notebook und eine Reihe von Bibliotheken, die zueinander passen müssen. In Data Sensors entsteht der virtuelle Sensor in derselben Anwendung, in der die Messdaten ausgewertet werden.
Was hier wegfällt
Keine Python-Installation und keine Paketversionen, die zueinander passen müssen. Kein Notebook, das gepflegt werden muss. Keine Trainingsskripte, die zwischen Arbeitsplätzen abgeglichen werden müssen. Keine Konvertierungskette von einem Trainingsformat in ein Deployment-Format. Data Sensors ist eine Desktop-Anwendung für Windows und macOS.
Automatisierte Hyperparameter-Bestimmung
Die Modellgüte hängt an den Hyperparametern: Baumanzahl, maximale Tiefe, Lernrate, Schichtanzahl, Neuronen pro Schicht. Ihre Bestimmung ist normalerweise ein eigener, iterativer Arbeitsschritt. In Data Sensors läuft er automatisiert: Alle drei Modelltypen optimieren ihre Hyperparameter selbst, per Bayes-Optimierung, Random Search, Grid Search oder einer Surrogatstrategie, je nach verfügbarer Rechenzeit.
Eine Vorauswahl der Modellfamilie ist ebenfalls nicht erforderlich. Der Modellwettbewerb trainiert Random-Forest-, XGBoost- und Neuronale-Netz-Kandidaten gleichzeitig gegen dieselben Kanäle und stellt sie in einer Bestenliste gegenüber, mit Validierungs-RMSE, R², Trainingszeit und einer Anpassungsdiagnose.
Abgeleitete Eingangsgrößen: eine Formel statt eines Skripts
Manchmal ist die aussagekräftige Eingangsgröße nicht selbst aufgezeichnet, sondern ergibt sich aus zwei anderen (etwa eine Leistung aus Drehmoment und Drehzahl). Dafür gibt es berechnete Signale: Sie geben den Ausdruck in einem Formeleditor ein, das Ergebnis erscheint als reguläres Signal und steht dem Training als Eingangskanal zur Verfügung.
Code-Generierung
Der Export erzeugt aus dem trainierten Modell eine eigenständige Implementierung der Vorhersagefunktion in C, C++, Python oder MATLAB, ohne Abhängigkeit von Data Sensors und ohne Laufzeitbibliothek. Das Ergebnis ist regulärer Quellcode, der wie jeder andere eingecheckt, reviewt und übersetzt werden kann.
Was „No Code“ nicht heißt
Die Programmierung entfällt, das Ingenieurwissen nicht. Welche Kanäle als Eingang plausibel sind, ob eine Messung den relevanten Betriebsbereich abdeckt und ob ein Ergebnis physikalisch plausibel ist, beurteilt weiterhin die Fachabteilung. Data Sensors ersetzt die Werkzeugkette, nicht die fachliche Bewertung des Modells.
Dabei hilft, dass die Bewertung nicht auf den Trainingsdaten stattfindet, sondern auf einem zurückgehaltenen Validierungsanteil und bei ausreichend großen Datensätzen zusätzlich auf einem separaten Testanteil, der weder beim Training noch bei der Modellauswahl verwendet wurde. Ein zu optimistisches Ergebnis fällt damit auf, bevor das Modell auf ein Steuergerät kommt.