Mathworks

Steuerung, Edge Devices und Cloud im Verbund

27. Mai 2021, 11:24 Uhr | Meinrad Happacher

Fortsetzung des Artikels von Teil 1

Der Algorithmus

Der Algorithmus für dieses Predictive-Maintenance-System besteht aus zwei Komponenten. Die erste Komponente läuft auf der Industriesteuerung (Edge) und verdichtet die Daten mithilfe von Feature-Extraction-Techniken. Die zweite Komponente befindet sich in der Cloud. Sie nutzt die Features sowie ein Machine-Learning-Modell, um das Auftreten von Störungen vorherzusagen und um die verbleibende Nutzungsdauer der Maschine abzuschätzen. Die Ergebnisse dieses prädiktiven Algorithmus werden nahezu in Echtzeit an das Dashboard gestreamt.

Der Feature Extraction Algorithmus

Bild 3. Die Diagnostic Feature Designer-App in Matlab
Die Diagnostic Feature Designer-App in Matlab
© Mathworks

Der erste Teil des Predictive-Maintenance-Algorithmus arbeitet mit den von den Roboterarmen erzeugten Sensor-Rohdaten. Erfasst werden Drehzahl und Stromaufnahme des Motors des jeweiligen Arms.

Die für solche Maschinen verwendeten Sensoren erreichen eine sehr hohe Datenabtastrate. Das Speichern derartig vieler Sensordaten und ihre Analyse kann kosten- und zeitaufwendig sein, da der Umfang der Messdaten die Identifikation der relevanten Datenbereiche erschwert. Dieses Problem lässt sich durch Feature Extraction lösen.

Feature-Extraction-Techniken arbeiten mit Sensor-Rohdaten und leiten daraus wichtige Kennzahlen ab, was den Speicher- und Übertragungsaufwand erheblich verringert. Die Sensoren im Roboterarm erfassen Daten im 1-kHz-Takt. Das entspricht 1000 Abtastungen pro Sekunde. Durch das Verdichten der Daten auf fünf Merkmale wird der Aufwand zur Datenspeicherung und -übertragung um den Faktor 200 reduziert.

Unter Einsatz der Diagnostic Feature Designer-App in der Predictive Maintenance Toolbox werden Sensordaten importiert und Features mithilfe verschiedener Verfahren für die Signalverarbeitung und für die dynamische Modellierung extrahiert. Die Features werden dann dahingehend klassifiziert, wie gut sie unterscheiden können, ob die Daten von einer funktionierenden oder von einer defekten Maschine stammen.

Nach Auswahl der zu extrahierenden Merkmale lässt sich der Datenverdichtungsalgorithmus in der als Edge-Gerät verwendeten SPS implementieren. Statt den Algorithmus auf einer physikalischen Maschine zu testen – und Gefahr zu laufen, sie zu beschädigen –, wird die SPS an ein auf einem Hardwaresystem von Speedgoat ausgeführtes Simscape-Modell der Roboterarme angeschlossen. Dieses Echtzeit-System kommuniziert über einen industriellen Feldbus mit der Industriesteuerung. Zuerst gilt es, mit dem ‚Simulink Coder‘ C-Code für den Datenverdichtungsalgorithmus zu erzeugen und in der SPS bereitzustellen. Dann ist das Verpackungsmaschinenmodell im Speedgoat-System zu installieren. Mithilfe von unter verschiedenen Störungsbedingungen ausgeführten Simulationen lässt sich dann sicherstellen, dass der Algorithmus ordnungsgemäß in der Praxis funktionieren wird.


  1. Steuerung, Edge Devices und Cloud im Verbund
  2. Der Algorithmus
  3. Der Predictive-Maintenance-Algorithmus

Das könnte Sie auch interessieren

Verwandte Artikel

MathWorks GmbH, MathWorks GmbH

Instagram

Edge & Cloud Computing - Applications