Überbrückung der Lücke: Verbinden Sie alte Maschinen mit neuen Systemen mit Machine Learning und Edge-Konnektivität

Altsysteme, veraltete Geräte und alte Maschinen sind in vielen Betrieben immer noch weit verbreitet, und es ist zu erwarten, dass sie auch in naher Zukunft weiter genutzt werden. Es kann schwierig sein, den Ersatz einer funktionierenden alten Maschine durch eine neue zu rechtfertigen, nur weil es um Konnektivität und Datenerfassung geht. Wir alle erkennen jedoch den Wert und die Bedeutung, die es hat, den Zustand der Maschine zu verstehen und diese alten Maschinen mit neuen Systemen zu verbinden, die Überwachung, Warnungen, Rückverfolgbarkeit und Transparenz für die Aktivitäten in der Fertigung bieten. Diese Erkenntnis ist ein Augenöffner.

Worin besteht also die Herausforderung, vor der wir stehen? Auf der einen Seite wünschen wir uns Konnektivität und die Möglichkeit, weiterhin Werte aus diesen Maschinen zu gewinnen. Andererseits handelt es sich um alte Maschinen, die oft keine modernen Protokolle wie OPC UA und MQTT unterstützen, und einige können nicht einmal direkt angeschlossen werden, egal wie viel Mühe man sich gibt. Darüber hinaus haben andere, einfachere Maschinen wie Pumpen oder Ventilatoren einfach nichts, was wir auslesen könnten. Trotzdem würden wir gerne sehen, wie und wann sie laufen, wie viel Energie sie verbrauchen und sogar Ausfälle vorhersagen.

Die Modernisierung einer veralteten Maschine bietet zahlreiche Vorteile, wie die Verbesserung der Produktqualität, die Steigerung des Produktionsdurchsatzes und die Möglichkeit einer effektiven Überwachung und Datenerfassung. Der Prozess der Einführung von Änderungen im Maschinenpark, wie z.B. die Aufrüstung auf ein neueres Modell, ist jedoch alles andere als einfach. Er unterbricht bestehende Arbeitsabläufe, erfordert die Schulung von Mitarbeitern und ist mit erheblichen Kosten verbunden. Darüber hinaus erfordert die Amortisierung der anfänglichen Maschineninvestition aus Investitionssicht einen erheblichen Zeitaufwand. Daher ist es für uns unerlässlich, die Kreativität zu fördern und alternative Ansätze für den Umgang mit veralteten Maschinen zu erkunden, anstatt sofort auf einen Ersatz zurückzugreifen.

Überraschenderweise lassen sich diese Probleme mit neuen Ansätzen und Technologien lösen. Eine dieser Lösungen besteht darin, die Leistung von Sensoren zur Datengenerierung zu nutzen. Die Überbrückung der Kluft zwischen veralteten Maschinen und modernen Plattformen ist nicht so beängstigend, wie es vielleicht scheint. Stellen Sie sich eine ältere Maschine vor, die vor dem industriellen Internet der Dinge (IIoT) gebaut wurde und nicht mit herkömmlichen Überwachungs- und Datenerfassungsmethoden verbunden werden kann. In solchen Fällen liegt die Antwort in einer einfachen und kostengünstigen Lösung: Sensoren, insbesondere Strom- und Vibrationsmesssensoren, die vielseitig und mit einer Vielzahl von Maschinen kompatibel sind. Um das Potenzial dieser von den Sensoren erzeugten Daten zu nutzen, werden wir die Techniken der machine learning (ML).

[Teaser: Sie können auch Kameras und OCR verwenden, um eine Verbindung zum Maschinenbildschirm herzustellen, mehr dazu erfahren Sie in diesem Blog].

Machine learning nutzt Sensordaten schon seit fast zwei Jahrzehnten, wobei die bekannteste Anwendung die vorausschauende Wartung ist. Es gibt jedoch auch zahlreiche andere Anwendungen. Im Kontext unserer Diskussion geht es darum, den Zustand der Maschine vorherzusagen, ob sie "an", "aus" oder sogar in einem differenzierteren Zustand ist. Wenn wir zum Beispiel eine Spritzguss- oder CNC-Maschine überwachen, sollten wir in der Lage sein, ihren Status zu jedem beliebigen Zeitpunkt zu bestimmen. Lassen Sie uns nun ins Detail gehen.

Durch den Einbau von Sensoren erhalten wir die Möglichkeit, wertvolle Daten von unseren alternden Maschinen zu sammeln. Änderungen der Strom- und Vibrationswerte in den verschiedenen Prozessphasen liefern aufschlussreiche Informationen. Sensoren fungieren als Fenster in die Gegenwart und liefern Echtzeitdaten. Während der Aufheizphase einer Spritzgießmaschine können wir zum Beispiel einen hohen Energieverbrauch (gemessen durch den Stromsensor) beobachten. In ähnlicher Weise würde ein Vibrationssensor während der Grobschnittphase einer CNC-Maschine erhebliche Aktivitäten feststellen.

Ausgezeichnet! Wir haben jetzt eine Möglichkeit gefunden, Daten aus unseren älteren Geräten zu extrahieren. Der nächste Schritt besteht darin, diese Daten auf eine Plattform zu leiten, von der wir aussagekräftige Erkenntnisse ableiten können.

Hier sind Tulip Edge devices und die Tulip Plattform von unschätzbarem Wert.

Sensoren überbrücken die Lücke zwischen der physischen und der digitalen Welt, indem sie Daten erzeugen. Der nächste Schritt besteht darin, den Datenstrom vom Sensor mit einem digitalen System zu verbinden, was mit edge devices wie Tulip's EdgeIO erreicht werden kann. Dieses Gerät ermöglicht die nahtlose Integration von Sensoren in die Plattform Tulip . Ausgestattet mit mehreren Anschlüssen, die für eine breite Palette von Sensoren geeignet sind, beinhaltet Tulip's EdgeIO auch Node-RED, ein leistungsstarkes Tool, das es wert ist, erforscht zu werden. Im Wesentlichen handelt es sich bei Node-RED um ein Flow-basiertes Entwicklungstool, das für die Verbindung von Hardwaregeräten, APIs und Online-Diensten im Bereich des Internets der Dinge (IoT) verwendet wird. Mit seinem webbrowserbasierten Flow-Editor können Benutzer JavaScript-Funktionen erstellen, die bei der Verarbeitung der Daten helfen.

Sobald wir die Sensoren auf der einen Seite mit unserer Maschine und auf der anderen Seite mit der EdgeIO verbunden haben, definieren wir den Datenfluss auf Node-RED, so dass wir die Daten in Tulip speichern können. Der nächste Schritt besteht darin, diese Daten zu nutzen, um Erkenntnisse zu gewinnen, Berichte zu erstellen, Echtzeit-Dashboards zu erstellen und Warnmeldungen einzurichten.

Nach der Verkabelung des Geräts und der Einrichtung des Datenflusses ist der nächste entscheidende Schritt die Nutzung der Daten in Echtzeit. Die meisten Sensoren erzeugen Zeitreihendaten, d. h. ein analoges Signal, das gleichmäßig über die Zeit abgetastet wird, um diskrete digitale Daten zu erzeugen. Diese Daten fließen in Echtzeit vom Sensor zur EdgeIO und in unsere Cloud-Datenbank. An diesem Punkt können wir Logik einsetzen, um wertvolle Erkenntnisse zu gewinnen. Die Logik kann von einfachen schwellenwertbasierten Ansätzen bis hin zu anspruchsvolleren machine learning Modellen reichen.

Eine ausführliche Anleitung zur Erstellung von machine learning Lösungen für Zeitreihendaten zu geben, würde den Rahmen dieses Blogs sprengen. Wir möchten Ihnen jedoch einige Ideen und Konzepte vorstellen, wie Sie dies tun können.

Machine learning Lösungen können als eine Box betrachtet werden, die eine Datenprobe als Eingabe erhält und eine Vorhersage als Ausgabe liefert. In unserem Fall besteht die Eingabe aus einigen Stichproben aus der Zeitreihe (etwa 5-10 Sekunden des Signals) und die Ausgabe ist der Zustand der Maschine. Der Einfachheit halber gehen wir von zwei Zuständen aus: "Aus" und "Ein", obwohl die Lösung auf mehrere Zustände verallgemeinert werden kann. In einer Produktionsumgebung wird das ML-Modell oder der Algorithmus Datenproben erhalten und den Zustand der Maschine vorhersagen. Bevor dies erreicht werden kann, muss das Modell für die gewünschte Aufgabe trainiert werden.

Das Trainieren oder Erstellen eines Modells ist die Aufgabe von Datenwissenschaftlern, die historische Daten zum Trainieren des Modells verwenden. Es gibt zwei Hauptansätze zum Trainieren eines Modells, die wir Ihnen vorstellen möchten: unbeaufsichtigtes Lernen und überwachtes Lernen.

Der Ansatz des unüberwachten Lernens, insbesondere das Clustering, beinhaltet das Sammeln von Sensordaten und deren Aufteilung in kleine Zeitabschnitte (typischerweise ein paar Sekunden, je nach Gerät). Das Ziel besteht darin, die Datenpunkte zu clustern und sicherzustellen, dass "ausgeschaltete" und "eingeschaltete" Proben auf der Grundlage ihrer statistischen Merkmale in separate Cluster eingeteilt werden. Beim Clustering ist keine Kennzeichnung erforderlich, und die Proben werden ausschließlich auf der Grundlage ihrer Merkmale gruppiert. Um den Clustern Etiketten zuzuweisen, muss der Benutzer möglicherweise eine kleine Anzahl von Proben mit Anmerkungen versehen, die vom Modell zur Bestimmung der Cluster-Labels verwendet werden. Wenn in der Produktion eine neue Datenprobe eingeführt wird, wird ihr Abstand zu den Clustern berechnet, und das Label des nächstgelegenen Clusters wird zum vorhergesagten Status der neuen Probe.

Unüberwachte Methoden sind zwar leistungsfähig, aber sie können Einschränkungen in Bezug auf Genauigkeit und Komplexität aufweisen, insbesondere bei Problemen mit ähnlichen Maschinenzuständen. Aus diesem Grund sind überwachte Methoden beliebt, da sie markierte Daten verwenden und im Allgemeinen einfacher zu trainieren sind. Um beschriftete Daten zu sammeln, werden die Benutzer gebeten, den Zustand der Maschine während der Datenerfassung zu beschriften. Sobald einige hundert markierte Daten gesammelt wurden, kann ein Modell, z.B. ein neuronales Netzwerk, trainiert werden, um ein bestimmtes Datenmuster zu analysieren und den Zustand des Geräts vorherzusagen. Das trainierte Modell kann dann in der Produktion verwendet werden, um den aktuellen Zustand der Maschine zu klassifizieren. Nebenbei bemerkt, müssen die markierten Daten das Verhalten der Maschine in der Produktion widerspiegeln. Wenn die Maschine hingegen verschiedene Produktionsschritte durchläuft, sich das Material ändert oder externe Faktoren die Daten beeinflussen, werden möglicherweise viele beschriftete Daten benötigt.

Bei beiden Ansätzen wird das Modell anhand historischer Daten trainiert. Unüberwachte Ansätze wie Clustering erfordern keine Kennzeichnung, können aber eine geringere Genauigkeit und begrenzte Komplexität aufweisen. Überwachte Modelle hingegen sind leichter zu trainieren und erzielen oft eine bessere Leistung. Die Beschriftung kann jedoch komplex und zeitaufwändig sein.

Konnektivität ist eine wichtige Komponente für den Erfolg von digitale Transformation, die in der Werkstatt oft durch das Konzept des industriellen Internets der Dinge (IIoT) verkörpert wird. Bei diesem Konzept geht es um die Integration von Maschinen und anderen Einheiten mit dem Internet, eine scheinbar einfache Idee in der heutigen Welt. Die Umsetzung einer effektiven Konnektivität ist jedoch ein komplexes Unterfangen. Hier setzt Tulip an und bietet eine Vielzahl von Konnektivitätsfunktionen, die die Erfassung von Maschinendaten über moderne Software-Schnittstellen wie APIs und SQL-Abfragen sowie physische Verbindungen wie Netzwerk-, USB-, serielle und analoge Schnittstellen ermöglichen. Darüber hinaus unterstützt Tulip Standardprotokolle wie OPC-UA und MQTT, die speziell zur Vereinfachung von Maschinen-Konnektivität entwickelt wurden. Diese Konnektoren dienen als Brücke zwischen der physischen und der digitalen Domäne und ermöglichen eine nahtlose Datenübertragung.

Dennoch kann es Fälle geben, in denen die Verbindung von Maschinen eine Herausforderung darstellt und innovative Lösungen erforderlich sind. In solchen Fällen fungiert Tulip als vielseitiger Werkzeugkasten, der es den Benutzern ermöglicht, ihre Kreativität im Bereich der Digitalisierung zu erforschen und zu entfesseln.

EdgeIO ist ein Gerät, das die Einbindung von Geräten als Eingänge und Ausgänge in Ihre Anwendungen ermöglicht und so die Erstellung von Triggern und zeitsparenden Arbeitsabläufen erleichtert. Es erfasst Ereignisse und Messungen, die von Maschinen, Geräten und Sensoren aufgezeichnet werden.

Wenn die oben genannten Komponenten vorhanden sind, kommen mit EdgeIO drei Prinzipien zum Tragen:

• Offenheit: Erfassen Sie Daten von vernetzten, analogen und proprietären Maschinen mit Hilfe von Sensoren und Kameras. Unterstützen Sie gängige Protokolle und bieten Sie intuitive Schnittstellen, um Menschen zur Eingabe zusätzlicher Daten aufzufordern.

• Agilität und Selbstbedienung: Ermöglichen Sie es den Technikern, die dem Betrieb am nächsten sind, Geräte hinzuzufügen und Änderungen zu implementieren, ohne dass sie kodieren oder Fachwissen benötigen. Tulip Edge Devices ist kostengünstig, einfach einzurichten und kann für mehrere Anwendungsfälle verwendet werden.

• Integriert und vernetzt: Erstellen Sie intuitive, optimierte Arbeitsabläufe, die automatisch Daten sammeln und in Echtzeit Anleitungen bieten. Tulip kann mit anderen Systemen integriert werden, indem eine Verbindung zu HTTP-APIs, SQL-Datenbanken und OPC UA Servern hergestellt wird.

Wenn diese Sensoren vorhanden sind, können Frontline-Operations-Plattformen wie Tulip unglaublich nützlich sein. Tulip bietet EdgeIO, ein Konnektivitätsgerät, das sich leicht mit diesen Sensoren verbinden lässt. Auf dem EdgeIO-Gerät kann Node-RED ausgeführt werden, ein Flow-basiertes Entwicklungstool zur Verknüpfung von Hardware-Geräten, APIs und Online-Diensten im Bereich IoT . Node-RED bietet einen Webbrowser-basierten Flow-Editor, mit dem Benutzer JavaScript-Funktionen erstellen können. Durch die Verwendung von Node-RED, den Sensoren und dem EdgeIO-Gerät können wir kontinuierliche Zeitreihendaten in Echtzeit sammeln. Diese Daten aus dem Gerät können in einer Tulip Tabelle gespeichert und zum Trainieren eines machine learning Modells verwendet werden. Und wir können dies tun, ohne eine einzige Zeile Code zu schreiben.