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。

Mondi团队之前已经建立了一个Oracle^®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来查询数据库，并以图形方式显示结果。例如，操作员可以使用应用程序接口绘制特定传感器在几分钟、几小时或几周内测量的压力。

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

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）。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，袋装决策树的集成模型是最准确的数据模型。

该团队通过更新接口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然后使用MATLAB编译器™创建一个独立的可执行版本的应用程序，现在在工厂生产中使用。

• 每年节省超过50,000欧元。Kohlert博士说:“我们的财务控制部门确定，通过使用MATLAB进行预测性维护，我们每年可以节省超过5万欧元。”这个总数是基于8台机器得出的。我们预计，随着我们分析更多机器的数据，这一数字将至少增加4倍。”
• 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。”