28032022

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

1. Eine Genauere Leckage Untersuchung (P603 12cm^3)
1. ab wie viel Undichtigkeit werden die Leckagen erkannt
2. Leackagen Nach dem Verteiler (Schmierleitung)
2. In Absprache Digitalisierungsteam einen Feldtestkunden finden
3. Blockaden der einzelnen und mehreren Kolben vom Verteiler
4. Simulationsumgebung beschleunigt den Prozess erheblich
5. Eine Erweiterung der Cloud Architektur
1. im Bezug auf kosten und Skalierbarkeit
2. Containerbasiert or Amazon Sagemaker (Training integriert)
6. Weitere Messdatenerfassung

1. Versuche mit einem Drucksensor
2. Versuche in einem größeren Temperaturbereich

1. Betriebszustände wurden definiert
2. Zu überwachenden Parameter wurd festgelegt
3. Datenanalyse Verfahren Entwickelt, um Blockade, Leckagen und Normal Betrieb der Anlage zu erkennen
4. Eine Cloud Architektur aufgebaut
5. Datenerfassung, Datenspeicherung und Datenanalyse
6. Unsupervised Learning Methoden zum Verstehen der Daten, supervised Learning Methoden zum Klassifizieren
7. 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