Mathworks

Steuerung, Edge Devices und Cloud im Verbund

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

Fortsetzung des Artikels von Teil 2

Der Predictive-Maintenance-Algorithmus

Bild 4. Die Integration des Predictive-Maintenance-Algorithmus in die Cloud-Infrastruktur
Die Integration des Predictive-Maintenance-Algorithmus in die Cloud-Infrastruktur
© Mathworks

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.

Bild 5. Das webbasierte Dashboard zur Darstellung der Ergebnisse
Das webbasierte Dashboard zur Darstellung der Ergebnisse
© Mathworks

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.

Philipp Wallner
Philipp Wallner ist Industry Manager für Industrie Automation & Maschinenbau bei Mathworks.
© Mathworks

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.


  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