Definition und Zweck:
Normierung (oder Normalisierung, Skalierung) ist ein Prozess in der Datenverarbeitung und Automatisierungstechnik, bei dem Messwerte oder andere numerische Daten von ihrem ursprünglichen Wertebereich in einen standardisierten, einheitlichen Wertebereich umgerechnet werden. Typische normierte Bereiche sind von 0 bis 1, von 0 % bis 100 %, oder von -1 bis +1.
Das Hauptziel der Normierung ist es, Daten aus verschiedenen Quellen oder mit unterschiedlichen Maßeinheiten vergleichbar zu machen und die Weiterverarbeitung in Algorithmen, Visualisierungen oder Regelkreisen zu vereinfachen.
Anwendungsbeispiele:
- Analogeingänge: Ein Analogeingang der SPS liest oft einen Rohwert (z.B. 0 bis 27648 bei 15 Bit Auflösung). Dieser Rohwert wird normiert, um einen Prozentwert von 0 bis 100 % oder einen Wert von 0 bis 1 darzustellen, bevor er in die physikalische Einheit skaliert wird.
- Visualisierung (HMI/SCADA): Prozesswerte, die unterschiedliche Messbereiche haben (z.B. Temperatur 0-100°C, Druck 0-10 bar, Füllstand 0-500 cm), können normiert dargestellt werden (z.B. alle als Balken von 0-100%), um eine schnelle Vergleichbarkeit zu ermöglichen.
- Machine Learning/KI: Bei der Vorbereitung von Daten für Machine Learning-Modelle ist Normierung oft ein wichtiger Schritt, um sicherzustellen, dass keine Merkmale (Features) aufgrund ihres größeren Wertebereichs das Modell unverhältnismäßig stark beeinflussen.
- Regelungstechnik: In einigen Regler-Implementierungen werden die Eingangs- und Ausgangsgrößen normiert.
- Leistungsindikatoren (KPIs): Wenn verschiedene KPIs auf einer gemeinsamen Skala dargestellt werden sollen.
Abgrenzung zu Skalierung:
Während Skalierung die Umrechnung von rohen Sensorwerten in physikalische Einheiten (z.B. Volt in bar, Anzahl in °C) umfasst, geht es bei der Normierung um die Umrechnung in einen relativen, dimensionslosen Standardbereich. Normierung kann ein Teilschritt der Skalierung sein oder separat angewendet werden.
Vorteile:
- Vergleichbarkeit: Daten aus verschiedenen Quellen oder mit unterschiedlichen Einheiten werden vergleichbar.
- Vereinfachte Berechnungen: Algorithmen können mit standardisierten Wertebereichen arbeiten.
- Bessere Visualisierung: Ermöglicht übersichtliche und intuitive Anzeigen auf HMIs.
- Verbesserte Modellperformance (KI): Wichtig für die Effizienz und Genauigkeit von Machine Learning-Modellen.
→ Siehe auch: Skalierung, Analogeingang, HMI (Human Machine Interface), Machine Learning, Visualisierung
