<<< Previous topic - Next topic >>> |
|
Author |
Message |
kdw
Joined: 05 May 2006 Posts: 1485
|
Posted: 18.03.2018, 08:21 Post subject: Hannover Messe 2018 ... |
|
|
Hallo Forum.
Auf der Hannover Messe 2018 demonstrieren wir erstmals die Möglichkeiten des neuen Predictive Analytics Baukastens IIoT/PA-Pac. Mit den Hardware-Bausteinen (Sensoren, Gateway, Zubehör) dieses Retrofit-Baukastens lassen sich bestehende Maschinen und Anlagen mit den entsprechenden Datenschnittstellen nachrüsten, um IIoT-geeignete Zustandsdaten zu gewinnen.
Die Software-Bausteine des IIoT/PA-Pac und der dazu gehörende Sensor-2-Information-Service ermöglichen die Informationsgewinnung mit Hilfe von Predictive Analytics im Umfeld von Maschinen und Anlagen. Dadurch haben Sie beispielsweise folgende Optimierungsmöglichkeiten:
Predictive Maintenance: Durch einen Daten- und Informationsgewinnungsprozess sollen ungeplante Maschinenstillstände vermieden werden. Mit Hilfe von Data Science-Methoden erhalten Sie Aussagen wie „Der Antrieb A in Maschine B wird mit einer Wahrscheinlichkeit von x% innerhalb von y Tagen ausfallen“. Damit können Sie proaktiv reagieren, also die erforderlichen Ersatzteile unter Berücksichtigung der Lieferzeiten frühzeitig bestellen und zu einem geeigneten Zeitpunkt einbauen.
Predictive Quality: In jeder Maschine gibt es Werkzeuge, deren aktueller Zustand maßgeblich Einfluss auf die Qualität des Endprodukts hat. In einer Anlage sieht es beispielsweise bzgl. wichtiger Hilfsstoffe ähnlich aus. Ein Daten-Retrofit über zusätzliche Sensoren mit nachfolgender Datenanalyse ermöglicht Vorhersagen zur Qualität der finalen Produkte. Mit Predictive Analytics lässt sich in diesem Fall z. B. der Zeitpunkt vorhersagen, ab wann eine Maschine Ausschuss produzieren wird. Durch rechtzeitige Eingriffe (z. B. Werkzeugtausch) lässt sich so etwas verhindern.
Predictive Efficiency: Ein Verbund aus vielen Maschinen in einer Fabrik erzeugt hin und wieder Strombezugsspitzen, die zu hohen Stromkosten führen können. Intelligente Algorithmen, die über eine IIoT-Retrofit-Sensorik mit Daten versorgt werden und darüber hinaus mittels Aktoren die Leistungsaufnahme einiger Maschinen drosseln können, helfen dabei, Energie effizienter zu nutzen. Im einfachsten Fall – also ohne die Aktoren – lassen sich durch Datenanalysen auch Maschinen- und Anlagenfahrpläne erstellen, die manuell umgesetzt werden und deren Sequenz zur Kosteneinsparung beiträgt.
Predictive Service mit Hilfe einer automatisierten Anomalieerkennung: Die Status- und Fehlermeldungen eines bestimmten Maschinentyps werden in der Cloud oder auf einem zentralen Server gespeichert. Mit einem an die Daten angepassten Preprocessing und der dann folgenden Analyse erfolgt die Auswertung und Informationsgewinnung.
VG KDW |
|
Back to top |
|
|
kdw
Joined: 05 May 2006 Posts: 1485
|
Posted: 19.03.2018, 08:33 Post subject: Die IIoT/PA-Pac-Bausteine … |
|
|
Hallo Forum.
Der Predictive Analytics Baukastens IIoT/PA-Pac besteht aus verschiedenen Hardware-, Software- und Service-Bausteinen, die jeweils in anwendungsspezifischen Kombinationen angeboten werden. Die Bausteine lassen sich von den Funktionen her in vier Gruppen unterteilen:
Sensorik: Sensoren liefern die Rohdaten. Insofern sind der zur jeweiligen Anwendung passende Sensortyp und die Qualität von sehr großer Bedeutung. Das SSV-Angebotsspektrum reicht vom einfachen Pt100-Industriesensor über IO-Link-basierte Sensorsysteme bis zum batteriebetriebenen Funksensor. Ein typisches Anwendungsbeispiel wäre ein kompakter MEMS-Sensor für Vibrationsmessungen mit einer Nahbereichsfunkschnittstelle in einem IP54-Gehäuse, der mit einer AA-Batterie mehrere Jahre zyklisch Datensätze für eine Predictive Maintenance-Applikation an Antriebselementen erfasst und zum Gateway weiterleitet.
Gateway: Hier werden die Sensordaten aufbereitet, zusammengefasst, vorverarbeitet, analysiert, visualisiert, segmentiert und an andere Services weitergeleitet. Als Ergänzung zu den Standardeigenschaften, wie zum Beispiel die Weitergabe der Sensordaten an beliebige Clouds plus integriertem OPC UA-Server für den lokalen Datenzugriff, stehen in einem IIoT/PA-Pac-Gateway weitere hochwertige Zusatzfunktionen zur Verfügung. Dazu gehören ein MQTT für Sensoren (MQTT-SN) mit DTLS-Security, FFT für Schwingungs- und Beschleunigungssensoren, Sensor Fusion, Streaming Analytics, Time Series Data Logger und die Batteriezustandsüberwachung für Funksensoren.
Data Analytics: Der Informationsgewinnungsprozess besteht aus einem Sensor-2-Information-Service. Dabei kommen sowohl statistische Methoden zur Datenanalyse (z. B. Explorative Datenanalyse) als auch Maschine Learning (k-Means Clustering, k-Nearest Neighbors u. a.) zum Einsatz. Die Auswahl der jeweiligen Methoden orientiert sich an den benötigten Predictive Analytics-Informationen und den zur Verfügung stehenden Sensordaten. Hier spielt auch die Datenmenge eine Rolle. Unüberwachtes Machine Learning erfordert in der Regel größere Datenmengen, die über einen längeren Zeitraum im Umfeld von Maschinen und Anlagen erfasst wurden, um brauchbare Ergebnisse zu liefern.
Information: Die meisten Unternehmen besitzen sehr komplexe Wertschöpfungsketten mit vielen unterschiedlichen Schichten und Instanzen. Innerhalb dieser Strukturen gibt es zahlreiche Interessengruppen, für deren tägliche Arbeit bspw. die Produktnutzungsdaten einer Maschine und daraus abgeleitete Informationen einen erheblichen Wert hätten. Ob Entwicklung, Service oder Vertrieb: Durch eine an die Zielgruppe angepasste Informationspräsentation kann für jede Abteilung aus denselben Rohdaten individuell aufbereitetes Wissen gewonnen werden.
VG KDW |
|
Back to top |
|
|
kdw
Joined: 05 May 2006 Posts: 1485
|
Posted: 03.04.2018, 06:08 Post subject: Einsatz des IIoT/PA-Pac .... |
|
|
Hallo Forum.
Der erfolgreiche Praxiseinsatz eines IIoT/PA-Pac besteht aus drei Schritten, die in enger Zusammenarbeit mit einem Team auf der Anwenderseite erfolgen:
Datenerfassung: In der Anlage bzw. an der Maschine werden verschiedene Sensoren zur Rohdatengewinnung plus ein geeignetes Gateway montiert. Die Auswahl der jeweiligen Sensoren wird in Bezug auf die als Output benötigten Informationen und die angestrebten Optimierungsziele abgestimmt (Predictive Maintenance erfordert in der Regel eine andere Sensorik als z. B. Predictive Efficiency). Neben dem Gateway sind, abhängig von den zum Einsatz kommenden Sensoren, weitere Baugruppen zur Aufbereitung der Sensorsignale erforderlich.
Datenanalyse: Dieser Schritt dient der Informationsgewinnung. Datenanalyse und Ergebnispräsentation sind Bestandteile eines iterativen Sensor-2-Information-Service-Prozesses, bei dem Anbieter und Anwender gemeinsam eine Lernkurve durchlaufen, um aus den Rohdaten werthaltige Informationen zu schaffen. Die Informationsqualität wird dabei schrittweise mit jeder Iterationsschleife verbessert. Die ersten Iterationen erfolgen mit Hilfe deskriptiver Datenanalysen. Im weiteren Prozessverlauf kommen Machine Learning-Verfahren zum Einsatz.
Ergebnispräsentation: Die Ergebnisse der Datenanalysen werden in Diagrammen, Tabellen und Schlussfolgerungen zusammengefasst und dem Team auf der Anwenderseite regelmäßig mit Hilfe von Webkonferenzen (Online Meetings) präsentiert. Aus den in den Online Meetings stattfindenden Diskussionen werden bei Bedarf Rückkopplungen bis in die Datenerfassung und Sensorik abgeleitet. Die Präsentation und Diskussion der jeweiligen Ergebnisse dient dazu weitere Iterationsschleifen auszulösen, bis verwertbare Informationen mit einem für den Anwender quantifizierbaren Nutzen vorliegen.
Unabhängig davon, welche Informationen einem Unternehmen durch bereits genutzte SCADA-, MES- und ERP-Systeme bisher schon zur Verfügung stehen, wird der Einsatz eines IIoT/PA-Pac in den meisten Fällen wesentlich tiefere Einblicke in Zusammenhänge (Insights) liefern, die ohne zusätzliche Sensoren und Datenanalysen einfach nicht möglich sind.
VG KDW |
|
Back to top |
|
|
kdw
Joined: 05 May 2006 Posts: 1485
|
Posted: 05.04.2018, 07:05 Post subject: Werkzeuge zur Datenanalyse ... |
|
|
Hallo Forum.
Der wichtigste Werkzeugkasten, der im Rahmen des Sensor-2-Information-Prozesses zum Einsatz kommt, ist Scientific Python. Dazu gehören eine Python 3.x-Programmier- und Laufzeitumgebung plus verschiedene ausgesuchte Spezialbibliotheken (z. B. NumPy, Pandas, Scikit, Matplotlib).
Als Entwicklungsumgebung dient Anaconda, eine leistungsfähige und weit verbreitete Open Source Distribution für die Programmiersprachen Python und R. Die integrative Oberfläche Anaconda Navigator enthält u. a. die Python-IDE Spyder, den Kommandozeileninterpreter IPython und das webbasierte Frontend Jupyter. Anaconda läuft auf PCs mit unterschiedlichen Betriebssystemen.
Die eigentliche Rohdatenanalyse und die Informationsgewinnung erfolgt innerhalb von Spyder. Dabei werden die jeweils benötigten Daten zunächst von Form einer CSV-Datei eingelesen und in NumPy-Arrays oder Pandas-Dataframes gespeichert. Dann werden verschiedene Algorithmen und Methoden eingesetzt, um die gewünschten Informationen zu gewinnen.
Spyder ist eine IDE (Integrated Development Environment), in der sich interaktiv Python-Quellcodes entwickeln und testen lassen. Besonders wichtig dabei ist, dass einzelne Python-Codezeilen im Single-Step-Modus oder als Code-Block ausgeführt werden können und nach jeder einzelnen Codezeile z. B. die Veränderung der Daten darstellbar ist. Mit Matplotlib erstellte Grafiken werden direkt innerhalb von Spyder ausgegeben. Darüber hinaus besteht aus Spyder heraus der direkte Zugriff auf umfangreiche Online-Hilfen zu Python und den Spezialbibliotheken.
Jupyter ist eine Weboberfläche, die mit einem Kernel als Webserver kommuniziert. Unter Jupyter werden sogenannte Notebooks bearbeitet, in denen Codezeilen, Bilder und Textdokumentation in Zellen zusammengefügt werden. Python-Code-Zellen lassen sich direkt ausführen, die Ergebnisse werden innerhalb des Browserfensters angezeigt und in das Notebook übernommen. Jupyter-Notebooks werden als einzelne Datei gespeichert. Sie lassen sich sehr einfach weitergeben und in einer anderen Zielumgebung nutzen. Insofern dient Jupyter im Sensor-2-Information-Prozess auch zu Ergebnispräsentation.
Zu Jupyter gehört in Anaconda auch eine QT Console (Jupyter QtConsole). Dieses Werkzeug ist aus meiner Sicht der effizienteste Weg, um Codefragmente auszutesten. Für mich ich ist es immer besonders hilfreich, wenn ich die „Daten sehen kann“. Das geht mit der Jupyter QtConsole sehr einfach. Man muss nur wenige Zeilen tippen. Im einfachsten Fall z. B. drei Zeilen:
Code: | %matplotlib inline
import matplotlib.pyplot as plt
plt.plot ([1, 5, 7, 10, 2, 9, 0]) |
Es lassen sich aber auch per Cut&Paste komplette Codefragmente aus anderen Werkzeugen in die Console kopieren und testen.
VG KDW
Last edited by kdw on 25.05.2018, 11:05; edited 11 times in total |
|
Back to top |
|
|
kdw
Joined: 05 May 2006 Posts: 1485
|
|
Back to top |
|
|
kdw
Joined: 05 May 2006 Posts: 1485
|
Posted: 26.05.2022, 08:01 Post subject: Wie geht es weiter? |
|
|
Hallo Forum.
In der kommenden Woche ist wieder „Hannover Messe“. Das ganze Thema hat sich bei uns weiterentwickelt. Die Produktnamen usw. haben sich dabei etwas verändert. Die zum Einsatz kommenden Bausteine für die folgende Aufgabenstellung sind deutlich leistungsfähiger:
Für die Datenanalyse nutzen wir inzwischen Machine Learning (TensorFlow). Das Ergebnis wird direkt an eine SPS weitergegeben, aber auch per Bluetooth an andere Systeme verschickt (z. B. eine Smartphone-App). Siehe hier auch https://www.ssv-comm.de/forum/viewtopic.php?t=1582.
VG KDW |
|
Back to top |
|
|
|
|
You cannot post new topics in this forum You cannot reply to topics in this forum You cannot edit your posts in this forum You cannot delete your posts in this forum You cannot vote in polls in this forum
|
|