Mathworks
Steuerung, Edge Devices und Cloud im Verbund
Fortsetzung des Artikels von Teil 2
Der Predictive-Maintenance-Algorithmus
Durch die Extraktion aussagekräftiger Daten kann das Edge-Gerät jetzt die zu übertragende Datenmenge verdichten. Diese verdichteten Daten können mithilfe von Apache Kafka an das IT/OT-System gestreamt werden. Mittels dieser Streamingdaten lässt sich die Restnutzungsdauer der Verpackungsmaschinenmotoren abschätzen.
Da sich der Zustand der Motoren mit der Zeit verschlechtert, nehmen die extrahierten Merkmale stetig linear oder exponentiell zu oder ab. Anhand dieses Trends wird in der Predictive Maintenance Toolbox ein Modell zur Degradation ausgewählt, um den zukünftigen Zustand der Maschine vorherzusagen.
Damit dieser Algorithmus auf einem cloudbasierten System lauffähig ist, muss nun per Matlab Compiler SDK eine ausführbare Datei erstellt und mittels des Matlab Production Server in das IT/OT-System integriert werden.
Der Machine Learning-Algorithmus kann jetzt Störungen der Verpackungsmaschine vorhersagen. Dazu verwendet er Merkmale, die aus den Rohdaten der Edge-Geräte extrahiert werden, sowie ein webbasiertes Dashboard, über das die Ergebnisse abrufbar sind.
- Steuerung, Edge Devices und Cloud im Verbund
- Der Algorithmus
- Der Predictive-Maintenance-Algorithmus
Das könnte Sie auch interessieren
Verwandte Artikel
MathWorks GmbH, MathWorks GmbH
Beckhoff Automation und Mathworks
Wie kommt die Intelligenz auf die Steuerung?
Interview mit Johanna Pingel, Mathworks
So setzen Sie KI richtig ein
Interview mit Philipp Wallner, Mathworks
Agiles Entwickeln im Maschinen- und Anlagenbau
Geschäftsjahr 2022
Siemens mit 10,3 Mrd. Euro Gewinn
Frank Woortmann, Phoenix Contact
Simulation als Datengrundlage für die…
