Mondi通过机器学习为制造过程实现基于统计数据的健康监测和预测性维护

Mondi工厂的挤出机和其他机器都很大很复杂，长50米，高15米。每台机器由多达五个可编程逻辑控制器(plc)控制，记录温度，压力，速度，和其他性能参数从机器的传感器。每台机器每分钟记录300-400个参数值，每天生成7gb的数据。

Mondi在使用这些数据进行预测性维护时面临几个挑战。首先，工厂人员在统计分析和机器学习方面经验有限。他们需要评估各种机器学习方法，以确定哪种方法能为他们的数据产生最准确的结果。他们还需要开发一种应用程序，将结果清晰而迅速地呈现给机器操作人员。最后，他们需要打包这个应用程序，以便在生产环境中持续使用。

Mondi与MathWorks Consulting和dr . ing教授合作。Andreas König在MATLAB中开发和部署运行状况监测和预测性维护软件。

蒙迪队以前成立了甲骨文^®数据库通过以太网从工厂的所有机器收集数据。他们使用Database Toolbox™从MATLAB中访问这个数据库。

接下来，该团队开发了MATLAB脚本，通过删除异常值和无效值来清除数据。

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顾问评估了几种机器学习技术，包括神经网络，k近邻，袋决策树，和支持向量机(SVMs)。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5万多欧元。“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6个月内完成。Kohlert博士指出:“很多咨询师都在进行大量的讨论，但没有采取行动。”MathWorks的顾问们直接开始了。我们在2个月内进行了第一次测试，6个月内完成了原型。MATLAB代码很容易理解，所以我们可以在需要时快速更改。”
• 生产软件全天候运行。“有一种误解，认为MATLAB只用于研究或开发，”Kohlert博士说。“我们不间断地操作机器，甚至在圣诞节也不间断。我们依靠基于MATLAB的监测和预测性维护软件，在生产过程中持续可靠地运行。”