Maschinelles Lernen und Wartungsvorhersage in der Fertigung

Wie lassen sich Pannen vermeiden und damit Zeit und Geld sparen?

Letzte Aktualisierung am

23. Dezember 2022

Maschinelles Lernen und Wartungsvorhersage in der Fertigung

Maschinelles Lernen und künstliche Intelligenz können uns dabei helfen, Geräteabweichungen zu überwachen und - was noch wichtiger ist - richtig zu diagnostizieren.

Maschinelles Lernen - Frühzeitige Wartung

Am frühen Nachmittag tritt in der Montagehalle eines Automobilherstellers plötzlich ein unerwartetes Problem auf. Der allmähliche Druckverlust im Druckluftleitungssystem deutet auf ernstere Probleme hin, die sich einige Minuten später zu einem vollständigen Druckverlust in der Leitung ausweiten, der den Einsatz aller Druckluftwerkzeuge verhindert. Die Produktion steht still und ein Wettlauf mit der Zeit beginnt. Jede Stunde kostet den Hersteller eine beträchtliche Menge an Geld. Diese wenig beneidenswerte Situation wird durch den Ausfall des Druckluftkompressors verursacht.

Eine frühzeitige Wartung hätte dies alles verhindern können

Die Signale, die auf diese Störung hinwiesen, traten bereits Wochen vor diesem Ereignis auf. Aber für diesen Teil der Anlage wurden keine Instrumente zur frühzeitigen Fehlererkennung eingesetzt. Vielleicht fallen Ihnen Dutzende ähnlicher Situationen ein, die Ihr Unternehmen erhebliche finanzielle und zeitliche Aufwendungen kosten könnten. Welche Maßnahmen hätten ergriffen werden können, um dies zu verhindern? Bei der Zustandsüberwachung werden die Parameter von Maschinen wie Temperatur, Vibrationen, Druck, Strom usw. gemessen, um Ausfälle zu erkennen und zu verhindern.

ico-Schwingungen

Vibrationen

ico Sound

Ton

ico Druck

Druck

ico Temperatur

Temperatur

ico El. Aktuell

El. Aktuell

Beispiele für Parameter, die für die Zustandsüberwachung verwendet werden können.

Keine Artikel gefunden.
Maschinelles Lernen - nicht nur Überwachung

Nicht nur Überwachung, sondern richtige Diagnose

Man könnte argumentieren, dass man eine Reihe von Sensoren zur Überwachung seiner kritischen Infrastrukturen einsetzt. Nun, das ist ein guter Ansatz. Aber bei einer so großen Datenmenge ist die Suche nach verschiedenen Ausreißern wie die Suche nach einer Nadel im Heuhaufen. Um dieses Problem zu lösen, muss die herkömmliche Zustandsüberwachung mit Data Science und maschinellem Lernen kombiniert werden.

Was bedeutet Anomalie?

Im Zusammenhang mit der Zustandsüberwachung ist auch von Anomalien die Rede. Eine klassische Definition einer Anomalie stammt von Douglas Hawkins: "Eine Anomalie ist eine Beobachtung, die so stark von anderen Beobachtungen abweicht, dass der Verdacht besteht, dass sie durch einen anderen Mechanismus erzeugt wurde."

Es gibt eine Reihe von diagnostischen Ansätzen, die zur Aufdeckung von Anomalien beitragen können. Einige davon sind im Folgenden aufgeführt.

1. Entscheidungsbäume 2. Regelbasiert 2. Modellbasiert
Ein systematischer Ansatz zur Identifizierung der Hauptursache eines Ereignisses mit Hilfe eines Fehlerbaumdiagramms. Verwenden Sie IF/THEN-Anweisungen, die auf die Daten angewendet werden, um zwischen Normalbetrieb und Fehlerzustand zu unterscheiden. Maschinelle Lerntechniken mit trainierten Modellen für den Normalbetrieb. Im Falle von Anomalien zeigt die Modellausgabe die Abweichung an.
Erfordert viel Fachwissen - Teuer in Aufbau und Wartung. Erfordert viel Fachwissen - Teuer in Aufbau und Wartung. Benötigt hohe Rechenressourcen - Benötigt eine große Menge an historischen Daten.
Keine Artikel gefunden.
Maschinelles Lernen - Der Einsatz

Der Einsatz von maschinellen Lernverfahren bei der Erkennung von Anomalien ist in den letzten Jahren sehr beliebt geworden.

Allerdings sind nicht alle bekannten ML-Methoden dafür geeignet. In der realen Welt fehlen uns in der Regel genügend Daten, die den Fehlerzustand repräsentieren. Aus diesem Grund ist die Verwendung überwachter Lernmethoden, die die Eingaben auf der Grundlage vieler Beispiele im Lernprozess auf die Ausgaben abbilden, keine gute Wahl.

Eine geeignetere Methode zur Erkennung von Anomalien ist der Autoencoder.

Der Autoencoder (in der Regel ein neuronales Netz) lernt, wie der normale Betrieb im Eingabedatensatz dargestellt wird. Wenn eine Anomalie auftritt, zeigt der Autoencoder-Ausgang einen großen Rekonstruktionsfehler an.

Heutzutage wird die Zustandsüberwachung in der Regel bei größeren und teureren Maschinen eingesetzt.

Bei kleineren Anwendungen werden oft keine Vorsichtsmaßnahmen getroffen. Dieser Ansatz wird manchmal als "run to failure" bezeichnet. Das bedeutet jedoch nicht, dass die Folgen eines solchen Fehlers nicht schwerwiegend sein können.

Edge Computing oder TinyML sind Beispiele für Technologien, die auf diese Fälle abzielen.

Edge Computing ist ein Ansatz, bei dem die Datenverarbeitung so nah wie möglich am Endgerät stattfindet - das Gegenteil von Cloud Computing. Wenn Edge Computing auf stromsparender Hardware (z. B. einem Mikrocontroller) läuft und maschinelles Lernen beinhaltet, nennen wir es oft TinyML.

Keine Artikel gefunden.
Maschinelles Lernen - Dieser Ansatz kann mehrere entscheidende Vorteile bieten

Dieser Ansatz kann mehrere entscheidende Vorteile bieten, die für kleinere oder abgelegene Anwendungen nützlich sind.

  • Es kann im Offline-Modus ausgeführt werden 
  • Es hat geringere Implementierungskosten 
  • Es hat eine geringe Verarbeitungslatenz 
  • Sie bietet mehr Sicherheit

Die Chip-Hersteller haben erkannt, dass TinyML in den kommenden Jahren ein schnell wachsendes Segment sein wird. Daher haben viele damit begonnen, spezielle KI-Prozessoren anzubieten, die die energieeffiziente Ausführung von ML-Algorithmen unterstützen.

Um einen praktischen Leitfaden für die TinyML-Welt zu bieten, sehen wir uns einige Beispiele für Entwicklungsplatinen an, die die Verarbeitung von ML-Algorithmen mit geringem Stromverbrauch unterstützen:

Stromsparende Entwicklungsplattformen für AI.

max 78000 fthr

Dev. Board-Typ: MAX78000FTHR

Hersteller: Maxim Integrated

Chip-Typ: MAX78000

Eingebaute Sensoren: Kamera, Mikrofon

Der MAX78000FTHR ist eine schnelle Entwicklungsplattform, die Ingenieuren bei der schnellen Entwicklung von Ultra-Low-Power-Lösungen für künstliche Intelligenz (KI) unter Verwendung des MAX78000 Arm Cortex-M4F-Prozessors mit einem integrierten Convolutional Neural Network-Beschleuniger hilft

Google Coreal micro

Dev. Board Typ: Dev Board Micro

Hersteller: Google

Chip-Typ: Korallenrand TPU

Eingebaute Sensoren: Kamera, Mikrofon

Das Coral Dev Board Micro ist ein Mikrocontroller-Board mit eingebauter Kamera, Mikrofon und Coral Edge TPU, das es Ihnen ermöglicht, schnell Prototypen zu erstellen und stromsparende eingebettete Systeme mit geräteinternem ML-Inferencing einzusetzen.

Vorderseite der Syntiant TinyML-Karte

Dev. Tafel-Typ: TinyML-Karte

Hersteller: Syntiant

Chip-Typ: NDP100

Eingebaute Sensoren: IMU, Mikrofon

Das Tiny Machine Learning (TinyML) Development Board von Syntiant ist die ideale Plattform für die Entwicklung von stromsparenden Sprach-, Akustik-Ereignis-Erkennungs- und Sensor-ML-Anwendungen

AI-Sensor-Platine

Dev. Board Typ: AI-Sensor-Karte

Hersteller: Eta Computer

Chip-Typ: ECM3532

Eingebaute Sensoren: Kamera, Mikrofon, Lichtsensor

Das ECM3532 AI Sensor Board ist eine Ultra-Low-Power-KI-Plattform mit Sensoren, die viele Algorithmen ausführen können: Geräuschklassifizierung, Keyword-Spotting, Aktivitätsklassifizierung, Context Awareness, Fehlererkennung und andere.

Die oben aufgeführten Plattformen enthalten einen stromsparenden Mikrocontroller und einen Hardware-Beschleuniger, der stromsparende Convolutional Neural Networks Inferenzen unterstützt. Er kann als All-in-One-Chip (MAX78000, ECM3532) oder aufgeteilt in eine Steuer-MCU und einen separaten Beschleunigerchip gebaut werden.

Alle diese Boards enthalten bereits Sensoren wie eine Kamera, ein Mikrofon oder einen Beschleunigungsmesser und unterstützen natürlich auch den Anschluss zusätzlicher externer Sensoren.

Aufgrund des geringen Stromverbrauchs ist es möglich, diese Platinen nur mit einer Batterie zu betreiben und/oder sie mit Energy Harvesting zu kombinieren. Wir können auf einfache Weise verschiedene intelligente Sensoren bauen, die immer einsatzbereit sind und auch bei der Wartungsvorhersage zum Einsatz kommen. Solche Hardware ermöglicht den einfachen Einsatz von KI und maschinellem Lernen in Anwendungen, bei denen die Kosten in der Vergangenheit ein großes Hindernis darstellten. Zusammen mit dem Internet der Dinge bildet sie einen der Eckpfeiler der Industrie 4.0.

Hier bei Consilia beschäftigen wir uns auch mit dem Einsatz von KI/ML in industriellen, medizinischen und anderen Anwendungen. Wir können Fallstudien und Proof-of-Concept-Design anbieten oder die Produktentwicklung unserer Kunden in diesem Bereich direkt unterstützen. Lesen Sie mehr über unsere Dienstleistungen in der Hardware- und Softwareentwicklung.
Keine Artikel gefunden.

Unsere Auswahl an interessanten Themen

Die etwas andere Art, von zu Hause aus zu arbeiten | Blog Consilia Brno

Eine andere Art, von zu Hause aus zu arbeiten

5. Juni 2023

/

Tomáš Souček

PCB-Designer aus Consilia arbeitet von seinem Gartenhaus aus. Der Weg von seinem Elternhaus dauert nur etwa 10 Sekunden, aber er trennt symbolisch seine beiden Welten. "Es ist ein echter Job, nur ohne das tägliche Pendeln, das mich etwa drei Stunden pro Tag kosten würde.

Leiterplattendesign für die Automobilbranche? Robustheit und dann der Preis

Was bestimmt ein Leiterplattendesign für die Automobilindustrie? Zuerst die Robustheit und dann der Preis.

16. Mai 2023

/

Petr Horák

Was macht die Arbeit als leitender Leiterplattendesigner bei weltweit führenden Automobilherstellern zu einer Herausforderung? Wir fragten Petr Horák, den Leiterplattendesigner der Firma Consilia, die die wichtigsten Beleuchtungssysteme für Automobilzulieferer entwickelt. Die Automobilindustrie ist sehr speziell, da alle Produkte mindestens fünfzehn oder sogar zwanzig Jahre halten müssen. Deshalb ist die Robustheit und Langlebigkeit des jeweiligen Geräts von höchstem Interesse.

"Ich brauche ständig neue Impulse" - Interview mit einem PCB-Designer

Ich brauche ständig neue Impulse. Es würde mir keinen Spaß machen, die gleichen Boards immer und immer wieder zu machen.

13. Mai 2023

/

Petr Horák

Petr Horák mag es nicht, glatte Wege zu gehen. "Ich mag es, in Projekten zu denken und mich auf eine bestimmte Sache zu konzentrieren. Aber gleichzeitig muss ich nach einer gewissen Zeit einen anderen Gang einlegen und mich auf ein ganz anderes Segment konzentrieren. Deshalb arbeite ich sehr gerne an verschiedenen Projekttypen", sagt der Leiterplattendesigner, der seit sechs Jahren für die Consilia tätig ist.

Einzigartige Oszillatoren und TETRA-Basisstation

TETRA-Basisstation, die bis an die Grenzen der physikalischen Möglichkeiten geht

27. Februar 2023

/

Martin Tesař

Die TETRA-Basisstation am Boden, an deren Entwicklung wir zwischen 2012 und 2017 gearbeitet haben, steht dank unserer Oszillatoren in Verbindung mit einer hervorragenden energetischen Effizienz immer noch an der Spitze der Produkte, die mit aktuellen Technologien hergestellt werden können.

Nearshoring und lokale Aspekte | Blog Consilia

Einer der Gründe für unseren Erfolg ist unsere Fähigkeit, Nischen zu besetzen

23. Februar 2023

/

Martin Tesař

Wir haben mit dem Geschäftsführer von Aton Benu Consult und einem Leiterplattendesigner von Consilia ein bemerkenswertes Modell des Nearshoring diskutiert. Diese Unternehmen haben in ihren Teams Top-Experten auf dem Gebiet der Hardware-Entwicklung oder Designer von anspruchsvollen Leiterplatten, die andere Unternehmen bei ihren anspruchsvollsten Projekten unterstützen. In bestimmten Situationen kann auch eine begrenzte Vor-Ort-Unterstützung angeboten werden. "Wir sind relativ wenige, aber wir können komplexe Projekte von A bis Z bearbeiten".

Niedrigenergiehaus ist nicht nur eine Frage der Amortisationszeit

Wenn Sie Elektroingenieur sind, können Sie die Energieeinsparungen in Ihrem Haus berechnen

1. Februar 2023

/

Martin Tesař

Martin Tesař, der ein Unternehmen mit Schwerpunkt Elektronikentwicklung leitet, hat in den letzten Jahren mehr oder weniger eigenhändig ein Niedrigenergiehaus gebaut. "Ich versuche, in meiner Umgebung so etwas wie ein Evangelist zu sein", sagt der Geschäftsführer von Aton Benu Consult.

V-Modell und agile Softwareentwicklungsmethodik

Vergleich des V-Modells und der agilen Softwareentwicklungsmethodik

27. Dezember 2022

/

Martin Tesař

Bei der Softwareentwicklung haben wir Erfahrung mit verschiedenen Entwicklungspraktiken. In den letzten Jahren haben wir uns hauptsächlich auf zwei verschiedene Softwareentwicklungsprozesse konzentriert: einen auf dem V-Modell basierenden und einen auf Agile basierenden Prozess; für Agile haben wir sowohl mit Scrum- als auch mit Kanban-Modellen gearbeitet.

Warum gelten für Medizinprodukte so hohe Standards?

Warum gelten für Medizinprodukte so hohe Standards?

31. Oktober 2022

/

Tomáš Hlavatý

Medizinische Geräte aller Art werden immer komplexer, vernetzter und spezialisierter. Doch je ausgefeilter die Geräte sind, desto mehr Aufmerksamkeit benötigen sie von den staatlichen Aufsichtsbehörden.

Erfahrung mit dem Lebenszyklus von Hardwareprodukten

Unsere Erfahrung mit dem Lebenszyklus von Hardwareprodukten

August 15, 2022

/

Mikuláš Kišš

Bei der Produktentwicklung für große Kunden oder Unternehmen, an der wir als Mitwirkender beteiligt sind, folgen wir den Prozessen des Kunden. Für die Entwicklung von Demonstratoren und Prototypen folgen wir diesem Ablauf.