Preskriptivní údržba výtahů

Nový trend budování aliancí mezi dodavateli technologií pro budovy a poskytovateli IT řešení a software

Začátkem července 2016 Schindler Holding a GE Digital oznámily uzavření strategického partnerství.

Cílem bude plně využívat potenciál průmyslového internetu věcí k digitálním inovacím v oblasti výtahů, eskalátorů a inteligentních budov.

Díky spolupráci s GE Digital bude společnost Schindler schopna zlepšit své schopnosti monitorovat, analyzovat a využívat údaje získané ze svých výtahů a eskalátorů a prediktivně identifikovat, analyzovat a řešit případné provozní problémy dříve, než k nim dojde a zároveň snížit a eliminovat prostoje.

ThyssenKrupp Elevators - v roce 2014 se firma spojila s Microsoftem pro vytvoření IoT monitorovacího systému který propojuje ThyssenKrupp "věci" - tisíce senzorů a systémů ve svých výtazích, které monitorují vše od teploty motoru až po souosost hřídele, rychlost kabiny a fungování dveří do cloudu s Azure Intelligent Systems Service.

Jejich nová cloudová služba MAX byla spuštěna v severní Americe v říjnu 2015 a je v současné době uváděna v Německu.

Společnost plánuje připojení na MAX více než 180 000 výtahů do konce roku 2017 na celém světě.

V MAXu jsou data shromážděná v reálném čase posílána do Microsoft cloud platformy, kde algoritmus spočítá zbývající životnost klíčových systémů a komponent v každém výtahu. Tým více než 20.000 servisních techniků pak může informovat vlastníky budov předem, kdy bude třeba opravit nebo vyměnit klíčové systémy nebo komponenty.

Na začátku roku 2016 vzniklo partnerství mezi finským výrobcem výtahů Kone a IBM.

KONE bude používat IoT cloudovou platformu IBM Watson pro shromažďování a ukládání dat ze svých zařízení a bude zde vytvářet aplikace a vývíjet nová řešení.

Platforma bude shromažďovat data ze senzorů a systémů spojených s výtahy, eskalátory, dveřmi a turnikety.

Otis, který je součástí United Technologies Corp., je světová jednička na trhu v odvětví výtahů a eskalátorů s 18% podílem a 12 miliard dolarů příjmů.

Nicméně, zaostávají v inovacích a ztrácí podíl na trhu v Číně.

Část problému byla integrace firmy Otis do UTC a zaměření na provozní zlepšení a marže na úkor inovací.

S obnovením Otis jako samostatné obchodní jednotky v září 2015 a nedávný závazek utratit o $ 30M (nárůst o 25%) více na výzkum a vývoj v roce 2016 a vyšších investic do IT, firma podniká kroky k nápravě této situace.

Otis zkoumá možnost spolupráce s Microsoftem s cílem urychlit rozvoj digitálních řešení pro výtahy.

Hlavní komponenty – Digi Mesh rádiová síť

Xbee Analogové Adaptéry poskytují bezdrátové rádiové připojení senzorů pomocí protokolu Digi Mesh.
Tento inovativní, peer-to-peer síťový protokol nabízí uživatelům větší stabilitu tím, že tvoří mesh sítě, které jsou schopny sebeuzdravení a sebedetekce.
Xbee Analogové Adaptéry jsou k dispozici v 2.4 GHz a 900 MHz. Možnosti rozhraní zahrnují analogové, digitální, RS-232, RS-485 a USB rozhraní.
Xbee Analogové Adaptéry jsou kompatibilní s ostatními produkty, které používají protokol DigiMesh, jako ConnectPort X4 GSM brána.

Hlavní komponenty – ConnectPort X4 GSM brána a cloudové datové úložiště

ConnectPort X4 GSM brána je určena k zajištění mobilního 3G WAN (Wide Area Network) bezdrátového propojení nebo LAN propojení mezi XBee Analogovými Adaptéry přenášejícími data ze senzorů propojené lokální rádiovou DigiMesh sítí a Internetem
Data jsou v cloudu ukládána jako tzv. data streams, což jsou meta datové struktury podobné adresářům, které obsahují jednotlivé datové body z koncových zařízení a umožňují jejich zobrazování v podobě časových řad a prohledávání
Otevřené API (Application Programming Interface) rozhraní pro programování aplikací umožňující vytváření zákaznické aplikace pro internet věcí

Hlavní komponenty - datové úložiště - cloud

Hlavní funkce cloudu
Sběr dat
- Každý senzor může posílat datové toky s nastavitelnou vzorkovací frekvencí a přesností
Ukládání dat
- Je možné ukládat až 94,000,000 datových bodů v jednom datovém toku
- To odpovídá 3 rokům ukládání dat se vzorkovací frekvencí 1 sekunda
- Data jsou zálohována
- Data mohou být stahována pro následnou off-line analýzu
Analýza dat
- Je možné vytvářet odvozené datové toky z původních datových toků ze senzorů pomocí výpočtů
- Tyto komplexní analytické výpočtové rovnice jsou pak prováděny v reálném čase na vstupním datovém toku ze senzorů
Zobrazení dat
- Data ze senzorů jsou zobrazována pomocí monitorovacího panelu který obsahuje plně přizpůsobitelné grafy, tabulky a měřidla
Sdílení dat
- Monitorovací panely je možné sdílet pomocí webových stránek nebo emailů
- Konkrétní datové toky je možné stahovat pro externí použití a analýzu
Reakce na data
- Pro jednotlivé datové toky je možné nastavit předem dané úrovně alarmů
- Po překročení těchto úrovní je možné nastavit zasílání textových, emailových nebo HTTP telefonických zpráv

Hlavní komponenty – hluboké strojové učení (Deep Machine Learning)

Import a vizualizace historických, 3 až 12ti měsíčních údajů o teplotě elektromotoru, vibracích, rychlosti pohybu dveří a dalších provozních parametrech výtahu obsahujících miliardy datových bodů.
Vyvinutí algoritmů hlubokého strojového učení (Deep Machine Learning) pro detekování odchylek v datech.

Hluboké strojové učení (Deep Machine Learning)

Hluboké strojové učení (Deep Machine Learning) učí počítače dělat to, co lidé a zvířata dělají přirozeně – učit se ze zkušenosti. Algoritmy strojového učení používají výpočetní metody pro „učení se „ informacím přímo z dat bez spoléhání se na předem definovaný model. Algoritmy adaptivně zlepšují svoji výkonnost se vzrůstajícím počtem dat. Algoritmy analyzují data ze senzorů a identifikují skryté vzory v milionech datových bodů které lidé nejsou schopni zachytit jako např. vztahy mezi teplotou elektromotoru nebo vibracemi a zbytkovou životností zařízení nebo jakýmikoliv jinými měřitelnými daty.

Systém bude obsahovat Deep Neural Convolutional Networks (hluboké neuronové konvoluční sítě) které simulují pochody v mozku pomocí umělé neuronové sítě, která má mnoho vnořených vrstev kde výstup z jednoho uzlu vrstvy je nelineární kombinací (konvolucí) všech vstupů z předchozí vrstvy.

Propojíme sílu hlubokého strojového učení (Deep Machine Learning) s tzv. posilovaným učením (Reinforcement Learning) a vytvoříme systém, který se bude sám učit tak, aby rozpoznal jemné vzory vyskytující se ve velkém množství dat přicházejících ze zařízení, a spojil akce (například výměna součástky) s výsledky (jako například garantování nepřetržitého provozu zařízení zákazníkovi). Software bude mít přístup k aktualizovaným datům v reálném čase ze zařízení a v podstatě mu bude řečeno: "Využij je, abys zjistil, jak maximalizovat využití zařízení."

Posilované strojové učení (Reinforcement Learning)

Během posilovaného strojového učení softwarový agent provádí pozorování a podniká akce v prostředí a na oplátku získává odměny. Jeho cílem je naučit se jednat způsobem, který maximalizuje očekávané dlouhodobé odměny. Stručně řečeno, agent působí v prostředí a učí se pokusem a omylem, aby maximalizoval své odměny a minimalizoval svou ztrátu.

Agentem může být program, který sleduje aktualizovaná data v reálném čase ze zařízení a rozhodne jak upravit např. čas výměny součástky tak, aby získal pozitivní odměnu např. když se přiblíží cílovým hodnotám provozní doby zařízení a negativní odměnu když provozní doba zařízení bude pod určitou minimální hodnotou.

Algoritmus používaný softwarovým agentem k určení jeho akcí se nazývá jeho strategie. Strategií například může být neuronová síť, která přijímá na vstupu aktualizovaná data v reálném čase ze senzorů zařízení a vyvozuje akci, která má být přijata.