More creations to inspire you
10 THINGS MORE LIKELY THAN DYING IN A PLANE CRASH
Interactive Image
RAINFOREST
Interactive Image
AMAZON RAINFOREST
Interactive Image
CONSTELLATIONS PICTURE WORD MATCH
Interactive Image
VISIT CAPE COD: 5 FUN FACTS YOU DIDN'T KNOW
Interactive Image
CONSTELLATIONS
Interactive Image
AURORA BOREALIS
Interactive Image
Transcript
Aufbau und Evaluierung einer Cloud-basierten Architektur zur Fernüberwachung von Einleitungsschmiersystemen
Kolloquium zur MasterthesisAli Tawil30.03.2022
Inhaltsverzeichnis
1. Projektbeschreibung und Ziele
3. Datenanalyse
2. Projekt Realisierung
4. Ergebnisse
5. Erreichte Ziele und Ausblick
1
Projektbeschreibung und Ziele
1. Kundenunterstützung bei der kontinuierlichen Zustandsüberwachung von Einleitungsschmieranlagen
3. Typische Störfälle von Einleitungsschmiersysteme
2. Bestimmung der zu überwachenden Parameter
4. Datenerfassung, Datenspeicherung und Datenanalyse
5. Aufbau einer Cloudarchitektur unter Berücksichtigung von Kosten und Skalierbarkeit
2
6. Gegenüberstellung der Supervised Learning und Unsupervised Learning Methoden
7. Inwieweit ist Predictive Maintenance umsetzbar
SKF Lubrication Systems
IoT Sensors
wired
LTE
Lambda
IoT Core
AWS Trigger
wired
Projektübersicht
3
Schmierplan
Mechanischer Aufbau der Schmieranlage
Elektronischer Aufbau der Schmieranlage
Machine Learning Pipeline
- Teuren Stillstandzeiten, welche die Wirtschaftlichkeit der Maschinen beeinflussen
- Der Betrieb unter harsche Bedingungen
- Eingeschränkter Zugang durch Personen zu den Maschinen
- Geringerer Einsatz von Personal
Intelligente Fernüberwachung (Nutzen)
Intelligente Fernüberwachung als SaaS
Intelligente Fernüberwachung von Schmieranlagen
Wartungsmethoden
- Zeitstempel
- Temperatur
- Druck1
- Druck2
- Betriebszustand der Anlage
- An einem zentralen Ort gespeichert (S3 Bucket)
Die erfassten Parameter
- Leakage
- Schlauchabriss
- Blockade
- Pumpe defekt
- Schmierstoff Durchschub
Fehlerfälle
Gutbilder der Sensorsignale vom Prüfstand
Verschiedene Druckkurven vom Prüfstand
Wichtige Erkenntnisse
SVM Klassifikation mit PCA
3D Druckdaten Visualisierung
K-Means Clustering mit PCA Datenreduzerung
Leakage
Automatisches Gruppieren ähnlicher Objekte in Sets
Gegenüberstellung der Druckdaten
Automatisches Gruppieren ähnlicher Objekte in Sets
Normal
Leakage
Blockage
Normal
K-Means Clustering und PCA Analyse
Deeplearning Network
Klassifikation
Identifizieren, zu welcher Kategorie ein Objekt gehört
Klassifikation
Identifizieren, zu welcher Kategorie ein Objekt gehört
Ergebnisse der Klassifikation
Identifizieren, zu welcher Kategorie ein Objekt gehört
Confusion Matrix von untrained-Dataset
0: Normal Betrieb1: Blockade2: LeckageAnzahl der Schmier Zyklen: 3320Accuracy: 97%
Ergebnisse der Klassifikation
Confusion Matrix von Unterschiedliche Blockaden
Anzahl der Schmier Zyklen: 14754Accuracy: 94,5%
Anzahl der Schmier Zyklen: 9421 Accuracy: 82%
0: Normal Betrieb1: Blockade2: Leckage
Ausblick
Gegenüberstellung
- Eine Genauere Leckage Untersuchung (P603 12cm^3)
- ab wie viel Undichtigkeit werden die Leckagen erkannt
- Leackagen Nach dem Verteiler (Schmierleitung)
- In Absprache Digitalisierungsteam einen Feldtestkunden finden
- Blockaden der einzelnen und mehreren Kolben vom Verteiler
- Simulationsumgebung beschleunigt den Prozess erheblich
- Eine Erweiterung der Cloud Architektur
- im Bezug auf kosten und Skalierbarkeit
- Containerbasiert or Amazon Sagemaker (Training integriert)
- Weitere Messdatenerfassung
- Versuche mit einem Drucksensor
- Versuche in einem größeren Temperaturbereich
- Betriebszustände wurden definiert
- Zu überwachenden Parameter wurd festgelegt
- Datenanalyse Verfahren Entwickelt, um Blockade, Leckagen und Normal Betrieb der Anlage zu erkennen
- Eine Cloud Architektur aufgebaut
- Datenerfassung, Datenspeicherung und Datenanalyse
- Unsupervised Learning Methoden zum Verstehen der Daten, supervised Learning Methoden zum Klassifizieren
- Betriebszustände erkennen, darauf aufbauend Predictive Maintenance
Klassifikation
Identifizieren, zu welcher Kategorie ein Objekt gehört
0: Normal Betrieb1: Blockade2: LeckageAnzahl der Schmier Zyklen: 131Accuracy: 100%
Confusion Matrix von Test-dataset
Klassifikation
- Support Vector Machine
- Deeplearning Methoden
Identifizieren, zu welcher Kategorie ein Objekt gehört
Siemens Simatic IOT2050 Gateway
- Pi und Arduino in einem Gerät
- Lässt sich wie Pi Konfigurieren
- Putty, um ssh Verbindung herzustellen
- Winscp, Fernzugriff vom PC auf IOT2050 Dateien
- Debian Betriebsystem
- Unterstützt Node-RED
- Unterstützt AWS Greengrass Verbindung zu AWS Cloud
- Arduino Schnittstelle für Shields und somit ist das Gateway beliebig erweiterbar
Siemens IOT2050
Greengrass core Device
scikit-learn
scikit-learn
Dimensionsreduktion
- Reduzierung der Anzahl der zu berücksichtigenden Zufallsvariablen
Clustering
- Automatisches Gruppieren ähnlicher Objekte in Sets
Klassifikation
- Identifizieren, zu welcher Kategorie ein Objekt gehört
Datenvorverarbeitung
- Feature Extraktion
- Normalisierung
Principal component analysis (PCA).Linear dimensionality reduction using Singular Value Decomposition of the data to project it to a lower dimensional space. The input data is centered but not scaled for each feature before applying the SVD.
- Bietet einen Installer, welches das IOT-Gerät im wenigen Minuten einrichtet
- Stellt das IOT-Gerät als AWS IoT-Thing mit einem Gerätezertifikat und einer Standardberechtigung bereit
- Verbindet das Gerät mit AWS IoT
- Installiert und führt die neueste AWS IoT Greengrass Core-Software als Systemdienst aus
AWS Greengrass
Feature Extraktion
- Bollinger Band
- Gleitender Mittelwert (Moving Average)
- Relative-Stärke-Index (Relative Strength Index)
- Kurven Wölbung (Kurtosis)
- Kurven Schiefe (Skewness)
- Peak to Peak Druckwert
- RMS (Root Mean Square)
- Wavelet
- Fast Fourier Transform
Clustering
- K-Means
- Affinity Propagation
- Agglomerative Clustering
- BIRCH
- DBSCAN
- Mini-Batch K-Means
- Mean Shift
- OPTICS
- Spectral Clustering
- Mixture of Gaussians
Automatisches Gruppieren ähnlicher Objekte in Sets
Normal
Leakage
Blockage
Deeplearning
NeuralProphet - Temperaturverlauf
Darstellung von historischen Daten
Temperaturverlauf