Sensorsysteme: Integriert & Intelligent

Vom Labortisch ins Anwendungsfeld

  • Abb. 1: Lab-on-Spoon-System als Beispiel eines autonomen, multisensorischen, integrierten Hand-Held- Systems mit intelligenter Auswertung für flüssige Lebensmittel.Abb. 1: Lab-on-Spoon-System als Beispiel eines autonomen, multisensorischen, integrierten Hand-Held- Systems mit intelligenter Auswertung für flüssige Lebensmittel.
  • Abb. 1: Lab-on-Spoon-System als Beispiel eines autonomen, multisensorischen, integrierten Hand-Held- Systems mit intelligenter Auswertung für flüssige Lebensmittel.
  • Abb. 2: Lernende Systemarchitektur zum automatisierten Entwurf intelligenter integrierter Systeme mit Merkmalen der extrinsischen bzw. intrinsischen Adaption nach [4].
  • Abb. 3: OLA 2500 Laborsystem zur Analyse medizinischer Proben das Adaptionsmechanismen für die Instanzkompensation nutzt nach [3].

Sensorsysteme: Der rasante, immer noch weitestgehend ungehemmte Fortschritt der Mikro- bzw. Nanotechnologien stellt in immer kleinerem Maßstab immer leistungsfähigere Komponenten für intelligente sensorische Systeme zur Verfügung. Dieser Artikel wirft einen Blick auf die Miniaturisierung von Sensorsystemen.

Neue Sensorkonzepte
Obwohl das gerne bemühte ‚Moore Gesetz‘ nur für die Entwicklung der Mikroelektronik gedacht war und Geltung hat, wird durch die gefundenen Lösungen, z.B. hinsichtlich der einzelnen Prozessstationen, auch die Entwicklung anderer Technologien für Schaltkreise und Sensoren beflügelt. Dem wird in der bekannten ITRS-Roadmap der Halbleiterindustrie durch die sogenannte ‚More-than-Moore‘-Entwicklungsrichtung Rechnung getragen. Insbesondere die Fortschritte bei der Technologieentwicklung für Mikrosysteme und der Aufbau- und Verbindungstechnik (System-in-Package (SiP), 3D-Druck/-Integration) führen sowohl zu neuen Sensorkonzepten als auch zu preiswerterer Herstellung bekannter Sensortypen und -systeme, die damit hinsichtlich Kosten, Verlustleistung etc. in Reichweite für eine Vielzahl neuer Anwendung kommen.

Ein Beispiel für diese Entwicklung sind u.a. Beschleunigungssensoren, die zunächst durch aufwendige mikromechanische, an Uhrwerke erinnernde Aufbauten realisiert wurden und nun in sogenannten Batch-Prozessen preisgünstig und hochintegriert mit Auswertelektronik zur Verfügung stehen und u.a. als 9-Achsensensoren von z.B. Invensense oder Bosch Sensortec mit zusätzlichen Magnetsensoren für verschiedenste Aufgaben genutzt werden können, u.a. für Kompassfunktion, Bewegungsprofilgewinnung oder Lokalisierung.

Die zunehmend generische integrierte Elektronik stellt in kleinster Bauform hohe Rechenleistungen, Rekonfigurationsmöglichkeiten und Auswerteeigenschaften, z.B. A/D-Wandlerraten und -auflösungen zur Verfügung, wie sie lange Zeit nur von kostspieligen Laborsystemen geboten wurden. Zusätzlich stehen Funktechnologien und wirksame Formen der nachhaltigen Energieversorgung durch sogenanntes Energy-Scavenging oder -Harvesting in integrierter Form, wie z.B.

Solar-, Thermo-, Vibrations-Harvester u.v.a., zur Verfügung, mit denen nicht nur autonome sondern autarke Systeme geschaffen werden können. Damit eröffnen sich Optionen der Realisierung leistungsfähiger intelligenter Sensorsysteme in miniaturisierter, der Anwendung entsprechender Verkörperung [1] von sogenannten In-Line-Inspektionssystemen bis hin zu Smart-Watches. Anwendungsfelder, wie das Internet der Dinge (IoT), Industrie4.0, Cyber-Physical(-Production)-Systems (CP(P)S) oder biomedizinische bzw. verwandte Life-style- und Lebensassistenz-Applikationen, z.B. zur Blutzuckermessung, Überwachung von Wundheilungsprozessen [2], Ernährungskontrolle, Kalorienverbrauchsmessung u.v.a., nutzen und treiben diese Entwicklung und führen in einer wachsenden Zahl von Anwendungsgebieten zu einem Übergang von Desktop-Laborsystemen zu In-Line-, Handheld- oder Disposable-Systemen.

Diese wachsende Vielfalt an Sensorwirkprinzipien, -realisierungen und Anwendungsmöglichkeiten führt natürlich auch beim Entwurf integrierter intelligenter Sensorsysteme zu erheblicher Komplexitätssteigerung zumal bei der Auswertung verschiedener, insbesondere preiswerter Sensortypen mit unterschiedlicher Sensitivität, Selektivität und Stabilität in multisensorischen Systemen i.d.R. leistungsfähige Verfahren der Computational Intelligence für die Sensorfusion und Entscheidungsfindung benötigt werden. Bereits bei der Realisierung eines Systems der Embedded-Intelligence mit Standardbausteinen (off-the-Shelf-Komponente) ist eine manuelle Durchführung des Entwurfsvorgangs eine äußerst anspruchsvolle, ggf. Zeit- und kostenintensive Aufgabe, für die eine Entwurfsunterstützung bzw. -automatisierung von größtem Interesse ist. Dies gilt umso mehr für Systeme der Integrated-Intelligence, in denen der Entwurfsvorgang um die Freiheitsgrade bei der Auslegung der anwendungsspezifischen Elektronik und Sensorelemente erweitert wird, sodass hinsichtlich einer Automatisierung des Entwurfs eine Analogie und Verbindung mit der Schaltkreissynthese, sowie Fragen der Ausbeuteoptimierung besteht. Bei Einsatz lernfähiger oder adaptiver Algorithmen und Schaltungs-verkörperungen besteht damit die Option, sowohl Änderungen der zu lösenden Aufgabe selbst als auch Drift oder Defekte der zugrunde liegenden selbstlernenden Systemrealisierung bei hinreichend vorliegender Redundanz zu kompensieren.

Dies steht in direkter Verbindung mit Forderungen nach robusten, zuverlässigen und langzeitstabilen Systemen.

Entsprechende Erweiterungen und Eigenschaften sind i.d.R. unter dem Begriff Eigen- oder Self-x in der Literatur aufzufinden und beschreiben die Fähigkeit eines technischen Systems sich bis auf die Hardware-Ebene selbst zu überwachen, zu kalibrieren, zu justieren oder gar zu reparieren und damit eine nachhaltige Systemverfügbarkeit einer gewünschten Qualität sicherzustellen.

Entwurfsmethodik
Sowohl für die einführend umrissenen, integrierten intelligenten Multisensorsysteme, als auch für korrespondierende Array-Sensoren, auch in großflächiger Ausprägung in Böden, Arbeits- oder Sitzflächen, stellt sich eine komplexe Entwurfsaufgabe, die von der Auswahl und Platzierung der Sensoren, über Sensorsignalkonditionierung, Merkmalgewinnung bis hin zur Entscheidungsfindung reicht. Manuell lassen sich i.d.R. bei hohem Aufwand von Ressourcen und Zeit meistens nur suboptimale Lösungen finden. Hilfe kann ein Entwurfssystem bringen, dass durch Einbringung von Vorwissen, effizienter Analyse von vorliegenden Sensor- bzw. Sensorschwarmdaten (Datamining, innovative Visualisierung) und der Nutzung von Lern- bzw. Optimierungsvorgängen eine teilweise oder vollständige Automatisierung des Systementwurfs bietet. Historisch kann das von Sammons entwickelte und 1969 vorgestellte Olpars-System als erster Vertreter dieser Systemklasse gesehen werden. Im wirtschaftlich starken Gebiet der bildgestützten Inspektion mit ständig variierenden bzw. neuen Aufgabenstellungen wurden derartige Automatisierungskonzepte primär aufgegriffen und umgesetzt [3,6]. Diese haben aber zum Stand der Dinge eine Verbreiterung auf das Gebiet intelligenter Sensorsysteme gefunden [5,7]. Abbildung 2 zeigt eine entsprechende Entwurfssystemarchitektur, die neben einer erweiterbaren Verfahrenssammlung und effizienten Visualisierungstechniken über Bewertungs- und Optimierungsverfahren zur automatisierten Systemkonfiguration verfügt [4-7].

Ausgewählte Anwendungsbeispiele
OLA 2500
Als Beispiel eines auf Bildsensorik und -verarbeitung beruhendem System wird hier das OLA 2500-System zur automatisierten Handhabung und Auswertung von Laborproben angeführt (s. Abb. 3). Das grundlegende System wurde entsprechend der Abbildung 2 teilautomatisiert entworfen und dann auf eine Vielzahl von Instanzen abgebildet und im Langzeitbetrieb verwendet. Hierfür wurde das als Machine-in-the-Loop-Learning (MILL) bezeichnete Adaptionskonzept zur Instanzanpassung und Drift-/Alterungs-kompensation erfolgreich eingesetzt [3].

Lab-on-Spoon
Als Beispiel eines auf heterogener Multisensorik beruhenden, mit 3D-Drucktechniken integrierten autonomen Sensorsystems wird das Lab-on-Spoon-System (LoS) zur Flüssigkeitsanalyse vorgestellt (s. Abb. 1), das neben einer Temperaturmessung die Methode Impedanzspetroskopie mit einer Farbanalyse, im aktuellen Prototypen einer spektroskopischen Auswertung, verbindet. Anwendungen liegen u.a. in der Analyse der Eigenschaften von Lebensmitteln (Qualität, Frische, Kontamination) für die Lebensassistenz oder die Lebensmittelsicherheit [7].

Beispielsweise die anwendungsspezifische Analyse aller Sensordaten dient für eine automatisierte Auswahl aus den sensorischen Kanälen und den spektralen Beiträgen, sodass sowohl Messzeit und Aufwand eingespart werden können, als auch die Diskriminanzfähigkeit der fusionierten Information gegenüber den Rohdaten deutlich verbessert werden kann. Self-x-Merkmale, z.B. zur Selbstkalibrierung und sensorische Erweiterungen, z.B. Bandbreite, Viskosität oder pH-Wert, sowie zur Autarkie sind in Vorbereitung.

Ausblick
Die intensivere Ausnutzung des signifikanten Potenzials integrierter intelligenter Sensorsysteme und die Erschließung neuer Anwendungsfelder unter technisch wie wirtschaftlichen Gesichtspunkten erfordert den Ausbau der angesprochenen Entwurfsmethodik und zugehörigen Entwurfswerkzeugen. Neben methodischen Verbesserungen und algorithmischen Erweiterungen wird in eigener Forschungsarbeit dabei aktuell ein plattformunabhängiger, Open-Source Ansatz unter Python verfolgt, der u.a. die Verbindung des Entwurfs des intelligenten Systems unter Einbringung entsprechender Nebenbedingung mit den Werkzeugen des Entwurfs integrierter Systeme, wie z.B. Cadence/MEMS+, erlaubt. Besondere Bedeutung kommt dabei der Realisierung von integrierten Hardware-Strukturen zu, die Self-x-Eigenschaften auf den untersten Ebenen des adaptiven Systems u.a. durch verbesserte Schaltressourcen für die Rekonfiguration erlauben.

Literatur
[1] Frank R.: Artech House Boston London, (2000)
[2] Schröter A. et al.: IWIS 2013, pp. 95, Chemnitz, Sept. 25-27, (2013)
[3] Eberhardt M. et al.: J. Comp. and El. Eng.(CEE), Elsevier, (2008)
[4] Iswandy K. und König A.: Journal Algorithms (Open Access), Vol. 2, doi:10.3390/a2041368, pp. 1368-1409, 2009
[5] Iswandy K. und König. A.,: In Proc. of the 15th Ann. Conf. on Knowledge-Based and Intelligent Information & Engineering Systems (KES 2011), Kaiserlautern, Sept. 12-14, Springer, LNAI 6881, Part. II, pp. 333-342, (2011)
[6] Peters S. und König A.: In SI of Int. J. of Hybrid Intelligent Systems (IJHIS), (2007)
[7] Thongpull K. und König A.: Tagungsband des XXVIII Messtechnisches Symposium des AHMT, 18-19. Sept., Saarbrücken, pp.-, 2014

 

Weitere Beiträge zu dem Thema Lab-on Chip: www.git-labor.de/
Mehr Informationen zu dem Thema Sensorik: www.git-labor.de/

 

Autor(en)

Kontaktieren

TU Kaiserslautern
Gottlieb-Daimler-Straße 47
67663 Kaiserslautern
Germany
Telefon: +49 631 205 0
Telefax: +49 631 205 3200

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.