Logo_image_transparent.png

Produktion 4.0: Machine Learning in der Anwendung

Maschinelles Lernen erweist sich in kapitalintensiven Branchen als effektive Technologie und bietet neue Erkenntnisse, mit denen Produktionsphasen optimiert, Ausfallzeiten von Geräten reduziert und die Qualität gesteigert werden können. Da jedoch immer mehr Unternehmen beginnen, Internet of Things (IoT) - und maschinelle Lernplattformen in ihr Unternehmen zu integrieren, kann dies ein Neuland sein, das teure Software und neue menschliche Talente erfordert.



In diesem Anwendungsbericht werden wir einige der Herausforderungen erörtern, denen sich Unternehmen derzeit gegenübersehen, wenn sie Machine Learning in ihren Produktionsprozess integrieren möchten. Wir werden auch herausfinden, wie die ExoSense® Condition Monitoring von Exosite mit der Amber Analytics-Technologie von Boon Logic kombiniert werden kann, um vorhandene Maschinen und Systeme schnell mit maschinellen Lernfunktionen zu erweitern. Denn auf diese Weise lassen sich die Leistungfähigkeit verbessern, unterstützt somit Unternehmen dabei Wertschöpfungsprozesse zu optimieren und den Gewinn zu steigern.


Die Herausforderungen

Unternehmen in kapitalintensiven Branchen stehen häufig vor gemeinsamen Herausforderungen, wenn sie die Integration von IoT- und maschineller Lerntechnologie in Betracht ziehen:

  • Die Entwicklung und Wartung einer „intelligenten“ Lösung kann kompliziert sein und versteckte Wartungskosten für Dinge wie Datenspeicherung, Upgrades, Tests und mehr beinhalten.

  • Der Aufbau eines Data-Science-Teams zur Integration von maschinellem Lernen kann erhebliche Zeit- und Finanzressourcen erfordern.

  • Da keine zwei Assets identisch sind, erfassen verallgemeinerte Modelle für maschinelles Lernen, die in der Software enthalten sind, Anomalien häufig nicht mit einem ausreichend hohen Maß an Präzision und Genauigkeit.

  • Die Frühindikatoren für die Fehlleistung von Vermögenswerten können subtil sein und nicht den Zeitplänen entsprechen, die in den Richtlinien für den Austausch von Teilen oder im technischen Know-how eines Herstellers festgelegt sind.

  • Sobald Fehlleistungsmodelle vorhanden sind, müssen sie häufig häufig manuell neu trainiert werden, um die Effektivität sicherzustellen.

Die Lösung

Gemeinsam mit Exosite stellen wir die Accelerator Lösung ExoSense® vor: sie ist ideal für Unternehmen in kapitalintensiven Branchen, die vorhandene Systeme und Geräte mit Funktionen zur Fernwartung und zum maschinellen Lernen erweitern möchten. ExoSense ist eine vollständig verwaltete Softwarelösung, die in wenigen Minuten bereitgestellt werden kann.

Durch unser starkes Partnernetzwerk u.a. mit Boon Logic haben die Nutzer zudem sofortigen Zugriff auf integrierten Lösungen zum Machine Learning.


Sobald die Verbindung zu ihrer Maschine hergestellt ist, können Sensordaten an die Exosite-Cloud gesendet werden. Dort können Nutzer und Wartungspersonal die ExoSense-Anwendung nutzen, um Dashboards mit Echtzeit-Sensordaten aus der Ferne anzuzeigen, die den Zustand und den Status der Maschine anzeigt.

Diese Daten können dann mithilfe des Amber Analytics Insight, das auf dem Exchange IoT-Marktplatz von Exosite verfügbar ist, nativ in den Segmentierungsalgorithmus von Boon Logic integriert werden.


Nach dem Hinzufügen von Amber Analytics zur eigenen ExoSense-Instanz, kann der Nutzer über das Insight-Menü mit einer intuitive und codelose visuelle Oberfläche auf die Machine Learning Lösung zugreifen. Über die bestehende Anwendung können nun bestehende Transformationen oder Regelen einem Sensordatenstrom hinzugefügt werden.

Die Insight Funktion verarbeitet Datenpunkte (Inferenzen), die von einem oder mehreren Sensoren übertragen werden, um Beziehungen zu quantifizieren und Assoziationen aufzubauen. Im Hintergrund werden automatisch Grenzen, prozentuale Abweichungen bzw. allgemeine Verhaltensmuster identifiziert. Ausreichend eindeutige Sätze von Mustern innerhalb des eigenen Clusters (ID) werden dabei zusammengefasst und das Machine Learning optimiert sich selbständig.


Am Anfang wächst die Anzahl der Cluster schnell, da viele "neue" Daten verarbeitet werden. Während das Modell reift und neue Variationen erlernt, können eingehende Muster einem vorhandenen Cluster zugewiesen werden, und die Wachstumsrate verlangsamt sich.

Jedem Cluster wird daraufhin ein Anomalieindex zugewiesen, der Aufschluss darüber gibt, wie häufig sie auftreten. Indexwerte nahe Null identifizieren sehr häufige Muster, während Werte näher an 1.000 diejenigen Muster identifizieren, die weniger häufig sind. Die Gesamtstreuung innerhalb der Cluster wird verwendet, um einen "Schwellenwert" zu bestimmen, bei dem dann ein gegebenes Muster als Anomalie gekennzeichnet wird.


Beispielsweise werden in einem Anwendungsfall mit einem geringeren Variationsgrad Indexwerte über 650 als anomal markiert. In einem separaten Fall mit einem höheren identifizierten Variationsgrad würden jedoch ggf. nur Indexwerte über 800 markiert.

"Rohe" Sensordaten (in blau) werden auf dem Anomalieindex (in Orange) angezeigt: Hier identifiziert Amber Analytics ein seltenes Muster in den Daten.


Obwohl einzelne Datenpunkte des gleichen Typs einen Großteil ihrer allgemeinen Eigenschaften teilen können, gibt es immer subtile, oft nicht wahrnehmbare Unterschiede. Mit Amber Analytics Insight, das pro Asset verwendet wird, werden individuelle Leistungsmodelle erstellt, die diese Feinheiten berücksichtigen und die Erkennungsgenauigkeit maximieren können.


Die Insight Analytics Funktion ermöglicht auch einen automatischen Übergang aus der Schulungsphasen hin zur Modell-basierten Überwachung auf Asset-Ebene. Da zu Beginn nur wenige Konfigurationseinstellungen definiert wurden und keine Anforderungen an einen großen, bereits vorhandenen Datensatz oder ein umfassendes Verständnis des maschinellen Lernens erforderlich sind, wird der Nutzer sowohl beim Einstieg als auch der Skalierung durch das System entsprechend unterstützt.

Rohe Sensordaten (in blau) werden im vierphasigen Amber Prozess (in orange) angezeigt


Eines der wichtigsten Ergebnisse des Amber Analytics Insight ist die Amber Warning (AW). Für jede verarbeitete Inferenz kann der resultierende AW-Wert eine von drei Möglichkeiten sein: 0, 1 oder 2, die die Erkennung von keinen Anomalien, eine mäßige Anzahl von Anomalien oder einen starken Trend von Anomalien darstellen.


Die von ExoSense bereitgestellte dynamische Schwellenwert-Regel kann schnell so konfiguriert werden, dass bei diesen Werten normale, warnende oder kritische Zustände ausgelöst werden. Jeder dieser Zustände kann selbstverständlich in die Visualisierungen der Anwendung eingebunden werden. Die Status-Meldungen können auch Text- und / oder E-Mail-Benachrichtigungen an entsprechende Nutzer auslösen. Infolgedessen können Bediener und Wartungspersonal rechtzeitig über z.B. mechanische Probleme informiert werden, was eine proaktive Wartung und eine optimierte Produktivität ermöglicht.

Für diejenigen Nutzer, die an einem höheren Detaillierungsgrad interessiert sind, bietet Amber Analytics Insight auch eine Sammlung von Kontextinformationen und analytischeren Metriken in Rohform, die für eine verbesserte Visualisierung und Alarmierung analysiert werden können.


Wichtige ExoSense-Funktionen

ExoSense bietet die folgenden Funktionen, die speziell für die Verwendung in Asset-intensiven Anwendungsfällen entwickelt wurden:

  • Drag-and-Drop-Dashboards zur Echtzeitvisualisierung von Metriken wie Temperatur, Ausgangsstrom, Drehmomentanpassung, Position, Geschwindigkeit usw.

  • Funktionen für maschinelles Lernen, einschließlich automatischem Modelltraining, Parameteroptimierung, automatischer Anomalieerkennung und einzelnen Modellen auf Asset-Ebene für maximale Erkennungsgenauigkeit.

  • Anpassbare Regeln zum Auslösen von SMS- und E-Mail-Benachrichtigungen in Echtzeit über Anomalien rund um die Uhr.

  • Inhärente, branchenweit anerkannte Sicherheitsstandards für die Geräte- und Systemkonnektivität.

  • Bildüberlagerungsfelder, die eine reale Visualisierung von Assets innerhalb von Einrichtungen ermöglichen, um problematische Assets und Standorte schnell zu lokalisieren.

  • Hardwareunabhängige Verbindungen, um eine Lieferantenbindung zu verhindern und die Flexibilität zu bieten, die besten Sensoren für jedes Projekt auszuwählen.

Für weitere Informationen zu allen Funktionen von ExoSense können wir ihnen gerne zusammenstellen - sprechen sie uns hierzu einfach an (Kontakt).


Fazit

Minimieren Sie den Start und die laufenden Kosten für Fernwartung und maschinelles Lernen. Als produktions- und sofort einsatzbereite Lösung umfasst ExoSense die laufende Wartung, Aktualisierung und den technischen Support, den Nutzer im Rahmen von IIoT Lösungen benötigen. Ohne erst eine eigene Lösung entwickeln oder verwalten zu müssen, finden sie mit dem Accelerator einen schnellen Zugang zum Machine Learning.


Identifizieren Sie Frühindikatoren für eine Fehlleistung ihrer Maschinen mit einer Genauigkeit von nahezu 100%. Durch die Erstellung individueller Modelle für den normalen Betrieb einer Maschine können Unternehmen die Identifizierung anomaler Verhaltensweisen maximieren, die zu Fehlleistungen führen. Beispielsweise kann eine geringfügige Verschiebung der Beziehung zwischen Strom, Drehzahl und Frequenz auf eine Änderung der Anlagenleistung hinweisen, lange bevor sie durch klassische schwellenwertbasierte Ansätze erkannt werden kann.


Beseitigen Sie ungeplante Ausfallzeiten, senken Sie die Wartungskosten und ermöglichen Sie eine proaktive Wartung. In Kombination mit der maschinellen Lerntechnologie von Boon Logic ermöglicht ExoSense dem Support-Personal, Probleme besser zu antizipieren, und Wartungsarbeiten durchzuführen, bevor Ausfallzeiten auftreten.


Optimieren Sie die Anlagenleistung und erhöhen Sie die Sicherheit der Arbeitsbedingungen. Mit einem besseren Einblick auf den Maschinen-Zustand können Betreiber Leistungssteigerungen über den gesamten Lebenszyklus erreichen, die Produktivität verbessern und letztendlich eine höhere Kapitalrendite erzielen.


Denken Sie, ExoSense könnte dasselbe für Sie tun? Dann sprechen sie uns noch heute an ...






4 views0 comments