Predictive Maintenance

Maschinelles Lernen und die Cloud

Maschinelles Lernen und die Cloud

Michael Banf
12 Apr 2023
3 min Lesezeit

Der zunehmende Automatisierungsgrad in der Herstellung erfordert auch die Automatisierung der Material- und Anlagenprüfung mit möglichst wenig menschlichen Eingriffen. Um wettbewerbsfähig zu bleiben und gleichzeitig die Industriestandards zu erfüllen, sind Unternehmen bestrebt, sowohl Quantität als auch Qualität in der Produktion zu erreichen, ohne dabei Kompromisse eingehen zu müssen. Die manuelle Qualitätsprüfung von Werkstücken erlaubt jedoch in der Regel nur die Analyse einzelner Proben aus einer bestimmten Produktserie. Darüber hinaus kann eine geplante prädiktive Instandhaltung von Maschinen entweder zu unnötigen Ausfallzeiten führen, wenn sie zu früh durchgeführt wird, oder, wenn sie zu spät durchgeführt wird, zu einem unerwarteten Ausfall der Ausrüstung. Zu diesem Zweck wurde die auf maschinelles Lernen basierende vorausschauende Instandhaltung entwickelt, die dabei hilft, den Zustand von Werkstücken, Maschinenkomponenten und Prozessabläufen zu bestimmen und zu überwachen, ideale Instandhaltungspläne vorherzusagen und entsprechende Maßnahmen zu empfehlen.

Quelle: https://medium.com/ai-techsystems/predictive-maintenance-a257a1645a14

Prädiktive Instandhaltung mit mobilen IoT-Sensoren und der Cloud - eine perfekte Kombination

Eine Möglichkeit, die es Unternehmen aller Größenordnungen erlaubt, die neuesten Fortschritte bei den auf maschinellem Lernen basierenden Anwendungen für die vorausschauende Instandhaltung zu nutzen, ist deren Integration mit mobilen IoT-Sensoren, die mit Cloud-Technologie betrieben werden. Dies ermöglicht ein einfaches, nicht-invasives Prototyping und Experimentieren sowie die Bereitstellung eines vollständigen Zustandsüberwachungsdienstes zu angemessenen Kosten.  Amazon Monitron, das von Amazon Web Services (AWS) angeboten wird, ist zum Beispiel eine einfach einzurichtende Cloud-basierte Zustandsüberwachungslösung. Die mobilen IoT-Sensoren von Monitron werden an Ihren Maschinen angebracht, um Schwingungs- und Temperaturdaten von Maschinenkomponenten wie Lagern, Getrieben, Motoren oder Pumpen zu erfassen. Die gesammelten Sensordaten werden über ein Monitron-Gateway, das mit Ihrem WLAN-Netzwerk verbunden ist, zur Speicherung und Analyse an AWS gesendet. Um ein maximales Sicherheitsniveau zu gewährleisten und die Sicherheit Ihrer Daten zu garantieren, werden die Daten außerdem durchgehend verschlüsselt.

Quelle: Amazon Web Services (AWS)

Kosteneffiziente Überwachung von Maschinenkomponenten mit Amazon Monitron auf der AWS-Infrastruktur

Das folgende Architekturdiagramm illustriert einen detaillierteren Anwendungsfall zur Analyse und Visualisierung eingehender Sensordaten mit Amazon Cloud-basierten Technologien. Amazon Monitron-Sensoren messen und erkennen Anomalien von Ihren Maschinenkomponenten. Sowohl die Messdaten als auch die auf maschinellem Lernen basierende Erkennung von Anomalien werden von AWS-Diensten (Kinesis Streams und Firehose) gesammelt und in Amazon S3 gespeichert. AWS Glue Crawler analysieren die Amazon Monitron Daten in Amazon S3, erstellen Metadaten-Schemata und Tabellen in Athena. Schließlich verwendet Grafana Athena zur Abfrage der Amazon S3-Daten, was die Erstellung von benutzerfreundlichen Dashboards für eine bequeme Visualisierung von Messdaten und des Maschinenstatus ermöglicht.

Quelle: Amazon Web Services (AWS)

Zusammenfassend lässt sich sagen, dass mit dem Aufkommen enormer Verbesserungen im Bereich der künstlichen Intelligenz und der Cloud-Technologien Unternehmen wie Ihres beginnen können, von diesen Technologien zu profitieren und sie während des Produktionszyklus einzusetzen, um die Qualitätsprüfung zu automatisieren und den Maschinenzustand auf kosteneffiziente Weise zu überwachen, wodurch menschliche Eingriffe minimiert und die Fabrikkapazitäten optimiert werden. Um es mit den Worten des Schachgroßmeisters Garri Kasparow zu sagen, der 1997 gegen den IBM-Computer "Deep Blue" verlor: "Mensch plus Maschine bedeutet, einen besseren Weg zu finden, bessere Schnittstellen und bessere Prozesse zu kombinieren."

Andere Insights

How do we solve problems?

Please consider helping us improve our website. By clicking “Accept All Cookies”, you agree to the storing of cookies on your device to enhance site navigation and analyse site usage. View our Privacy Settings for more information.