Mondi利用机器学习实现基于统计的制造过程健康监控和预测性维护

Mondi工厂的挤出机和其他机器既大又复杂，长度可达50米，高度可达15米。每台机器由多达五个可编程逻辑控制器(plc)控制，从机器的传感器记录温度、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的经验有限。他们需要评估各种机器学习方法，以确定哪种方法可以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，将结果清楚地、立即地呈现给机器操作员。最后，他们需要将这个应用程序打包，以便在生产环境中持续使用。

Mondi曾与MathWorks Consulting和dr . ing教授合作。在MATLAB中开发和部署健康监测和预测维护软件。

Mondi团队之前已经建立了一个Oracle^®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，通过去除异常值和无效值来清理数据。

他们在MATLAB中开发了一个应用程序来查询数据库并将结果以图形的形式呈现出来。例如，操作人员可以使用应用界面绘制特定传感器在几分钟、几小时或几周内测量到的压力。

为了加强应用，他们增加了统计过程控制(SPC)功能，提醒操作人员传感器值超出正常操作范围。

利用统计学和机器学习工具箱™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-最近邻、袋式决策树和支持向量机(svm)。金宝app

对于每种技术，他们使用记录的机器数据训练一个分类模型，然后测试该模型预测机器问题的能力。测试表明，对他们的数据来说，袋装决策树是最准确的模型。

该团队通过更新界面来整合来自机器学习模型的预测，进一步增强了MATLAB应用程序。这些预测使设备操作人员能够在潜在故障发生前收到警告。Mondi随后使用MATLAB Compiler™创建一个独立的应用程序可执行版本，该版本现在在工厂的生产中使用。

• 每年节省5万多欧元。Kohlert博士说:“我们的财务控制部门认为，通过使用MATLAB进行预测性维护，我们每年可以节省5万多欧元。”“这个数字仅基于八台机器。我们预计，随着我们分析更多机器的数据，这一数字至少会增加四倍。”
• 原型在6个月内完成。科勒特博士指出:“很多咨询师都在进行大量讨论，但没有采取任何行动。”MathWorks的顾问直接开始了。我们在两个月内进行了第一次测试，并在六个月内完成了一个工作原型。MATLAB代码易于理解，因此我们可以在需要时快速进行更改。”
• 生产软件24/7运行。“有一种误解，认为MATLAB只用于研究或开发，”Kohlert博士说。“即使在圣诞节，我们也不间断地运行我们的机器，我们依靠基于MATLAB的监测和预测性维护软件在生产中持续可靠地运行。”