Mondi实现基于统计的健康监控和预测维护，用于制造机器学习

Mondi植物的挤出机器和其他机器大而复杂，长达50米长，15米高。每台机器由多达五个可编程逻辑控制器（PLC）控制，该控制器（PLC）从机器的传感器中记录温度，压力，速度和其他性能参数。每台机器每分钟记录300-400个参数值，每天生成7千兆字节的数据。

Mondi在使用此数据进行预测维护时面临了几个挑战。首先，植物人员对统计分析和机器学习的经验有限。他们需要评估各种机器学习方法，以确定其数据的最准确的结果。他们还需要开发一个申请，清楚并立即向机器运营商提出结果。最后，他们需要打包此申请以在生产环境中持续使用。

Mondi与Mathworks Consulting和Dr.-Ing教授合作。AndreasKönig在Matlab中开发和部署健康监控和预测维护软件。

蒙迪队以前成立了甲骨文^®数据库通过以太网从设备中的所有机器收集数据。他们使用Database Toolbox™从Matlab中访问此数据库。

接下来，该团队通过删除异常值和无效值来开发Matlab脚本来清理数据。

他们在Matlab中开发了一个应用程序，以查询数据库并以图形方式呈现结果。例如，操作员可以使用应用界面在几分钟，小时或数周内绘制特定传感器测量的压力。

为了增强应用程序，它们增加了统计过程控制（SPC）功能，即警告运算符到正常操作范围外的传感器值。

使用统计和机器学习工具箱™和深度学习工具箱™，Mondi和Mathworks顾问评估了多种机器学习技术，包括神经网络，K-Collow邻居，袋装决策树和支持向量机（SVM）。万博1manbetx

对于每种技术，他们使用记录的机器数据训练了分类模型，然后测试了模型预测机器问题的能力。测试表明，袋装决策树的集合是他们的数据最准确的模型。

该团队通过更新接口来加入来自机器学习模型的预测来增强MATLAB应用程序。这些预测使设备运营商能够在发生之前接收关于潜在故障的警告。然后，Mondi使用MATLAB Compiler™来创建应用程序的独立可执行版本，现在在工厂生产中使用。

• 每年节省超过50,000欧元。“我们的金融管制部门确定，我们通过使用MATLAB进行预测维护，我们每年节省超过50,000欧元，”Kohlert博士说。“这总计仅基于八种机器。我们预计将增加至少四倍，因为我们分析了更多机器的数据。“
• 原型在六个月内完成。“有了许多顾问，有大量的讨论，但没有行动，”克洛特博士。“Mathworks顾问直接开始。我们在两个月内获得第一次测试和六个工作原型。Matlab代码易于理解，所以我们可以在需要时快速变化。“
• 生产软件运行24/7。“误解了Matlab仅用于研究或发展，”Kohlert博士说。“我们运营我们的机器不间断，即使在圣诞节，我们也依靠我们的MATLAB的监控和预测维护软件在生产中连续可靠地运行。”