Preskriptivní údržba výrobních linek  



Nový trend aplikace internetu věcí a strojového učení pro preskriptivní údržbu a monitorování procesu výrobních linek


Krávy nečekají. Tento přirozený fakt se promítá z mlékárenských farem kde každá kráva nadojí denně asi 23 l mléka do zpracovatelských firem které plní toto bílé zlato do kartónových krabic. Ovšem když se na plnící lince pokazí třeba jen jedna část, může to vyřadit z provozu celou linku na celé dny a tisíce litrů mléka se pak nedají zpracovat a zkazí se.  Toto je tvrdá realita v mlékárenském světě - a v mnoha dalších provozech, které zpracovávají a balí suroviny podléhající zkáze, ze kterých se vyrábí potraviny.

Aby zabránil takovým výpadkům v potravinářském průmyslu, používá průkopník balících technologií firma Tetra Pak nové digitální technologie které umožňují předpovídat kdy přesně jejich stroje a linky připojené ke cloudu budou potřebovat údržbu a opravy. Servisní technici Tetra Paku pak s využitím brýlí pro virtuální realitu HoloLens rychle diagnostikují a opraví poškozené části a to i v nejodlehlejších oblastech.


Švédská firma Tetra Pak s obratem 12 mld. USD a 24 tis. zaměstnanců se tak transformuje z dodavatele potravinářských linek na poskytovatele služeb, který garantuje nepřetržitý provoz těchto linek u výrobců potravin a piva ve více než 175 zemích.

Kolem 60 procent zařízení Tetra Paku je pomocí senzorů propojeno do cloudu. Pomocí Machine Learning (strojového učení) Tetra Pak analyzuje stav svých zařízení a dokáže s devadesátiprocentní pravděpodobností vypočítat, kdy u nich dojde k poruše. Nejcitlivější jsou stroje uzavírající obaly – obvykle vydrží šest měsíců až dva roky podle teploty a vlhkosti.

„Většinou dokážeme předpovědět závadu týden až dva předtím, než k ní dojde,” uvádí viceprezident Tetra Pak Services Johan Nillson. Firma dokáže podle typu součástky předvídat poruchu s 85 až 95procentní přesností. Zároveň má díky datové analýze přehled o tom, jak často a na kterých místech součástky odcházejí.

Zaměstnanci servisu navíc používají brýle se smíšenou realitou HoloLens, díky kterým je přes video spojení můžou instruovat zkušenější kolegové. Firma tak šetří cestovní náklady spojené s vysíláním techniků.


Servisní technik Tetra Paku s využitím brýlí pro virtuální realitu HoloLens diagnostikuje a opravuje poškozené části výrobní/balící linky.

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.

Xbee Analogové Adaptéry poskytují bezdrátové rádiové připojení senzorů pomocí protokolu Digi Mesh.

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

Sběr dat ze senzorů výrobní linky a jejich ukládání v cloudu. 

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, tlaku, rychlosti a dalších provozních parametrech výrobní linky 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.


Neuronová síť.


Umělá konvoluční hluboká neuronová síť.


Posilované strojové učení (Reinforcement Learning)