Fehlererkennung und Klassifikation für Predictive Maintenance

Predictive Maintenance (oder vorausschauende Instandhaltung) ist die intelligente Überwachung von Maschinen zur Vermeidung zukünftiger Ausfälle. Anders als bei der vorbeugenden Instandhaltung sind die Wartungsintervalle nicht von vornherein festgelegt, sondern werden durch Analyse-Algorithmen auf Basis von Sensordaten ermittelt und optimiert.

Für den Erfolg von Predictive Maintenance sind die passenden Algorithmen ausschlaggebend. Temperatur-, Druck- oder Spannungsdaten sowie Geräuschpegel oder Vibrationen werden mit speziellen Sensoren messtechnisch erfasst. Diese Daten werden mit Techniken aus der Statistik und der Signalverarbeitung aufbereitet. Anschließend werden sie verwendet, um den Zustand der Maschinen und Anlagen zu überwachen, indem sie mit den bekannten Merkmalen von Fehlerzuständen verglichen werden.

Im konkreten Beispiel wird eine Triplex-Pumpe mit einem prädiktiven Wartungsalgorithmus modelliert, der durch Überwachen des Pumpenausgangsdrucks erkennen kann, welche Teile der Pumpe versagen.

Das Simscape™-Modell der Pumpe kann so konfiguriert werden, dass ein verschlechtertes Verhalten aufgrund von Dichtungslecks, blockierten Einlässen, Lagerverschleiß und gebrochenen Motorwicklungen modelliert wird.

• Schnelle Entwicklung von MATLAB^®-Algorithmik für Predictive-Maintenance Anwendungen
• Verwendung eines digitalen Zwillings in Kombination mit Machine-Learning Techniken
• Erkennung und Vorhersage von Fehlerzuständen

Klassifizierung von Herztönen und Code Generierung für ein Embedded Device mit MATLAB

Maschinelles Lernen ist ein mächtiges Hilfsmittel, um komplexe Problemstellungen bei der Modellierung in einer Vielzahl von Industrien und Anwendungen zu lösen. Dies schließt Predictive Maintenance, Fahrerassistenzsysteme und Zustandsüberwachung mit ein. Dabei befähigt maschinelles Lernen Ingenieure und Wissenschaftler Modelle zu entwickeln, die aus Daten lernen können. An diesem Demo-Stand erfahren Sie, wie Sie MATLAB in Kombination mit weiteren Toolboxen dazu verwenden können, um

• eine Klassifizierung anhand eines medizinischen Beispiels, der Einordnung von Herztönen in „normal“ und „abnormal“, effizient vorzunehmen,
• Modelle des maschinellen Lernens als Teil von komplexeren Anwendungen einfach auf Embedded Systemen mit Hilfe von automatischer Code Generierung zu implementieren.

Deep Learning in MATLAB: Vom Konzept zum eingebetteten Code

Anhand dieser Demo erfahren Sie, wie Sie MATLAB für den Entwurf, die Entwicklung und die Implementierung von Computer Vision- und Deep Learning-Anwendungen auf NVIDIA^® Tesla^® GPUs oder Tegra^® System-on-Chips einsetzen können, egal ob auf Ihrem lokalen Rechner, in einem Cluster oder auf eingebetteten Systemen, einschließlich NVIDIA Jetson TK1/TX1/TX2 und NVIDIA DRIVE™ PX Plattformen.

Der Arbeitsablauf beginnt mit dem Entwurf und der Verifikation der Algorithmen in MATLAB. Dabei können Deep Learning-Netzwerke verwendet werden, die mit traditionellen Computer Vision-Techniken erweitert wurden. Anschließend werden diese Netzwerke mit GPU- und „Parallel Computing“-Unterstützung von MATLAB entweder auf dem Desktop-Rechner, einem lokalen Compute-Cluster oder in der Cloud trainiert. Schließlich generiert ein Compiler automatisch portablen und optimierten NVIDIA CUDA^® Code aus dem MATLAB-Algorithmus, der dann mittels Cross-Compilierung auf der Tegra-Plattform implementiert wird.

Der generierte Code ist hochoptimiert. Die Ausführungsgeschwindigkeit des automatisch generierten CUDA-Codes ist ~2,5x schneller als Apache™ MXNet, ~5x schneller als Facebook* Caffe2*, ~7x schneller als Google^® TensorFlow^® und mit einer optimierten NVIDIA TensorRT Implementierung vergleichbar.

Entwicklung von ADAS Anwendungen wie Adaptiver Tempomat und Spurhalteassistent

Mit einer wachsenden Zahl von Sensoren (z.B. Kamera, Radar, und LiDAR) nehmen automatisiert fahrende Autos die Umgebung wahr und steuern Fahraufgaben wie Lenken, Bremsen und Beschleunigen. An diesem Demo-Stand erfahren Sie, wie MATLAB und Simulink^® verwendet wird um:

• Systeme zur Umgebungserkennung zu entwickeln,
• Reglungsalgorithmen für einen adaptiven Tempomat und Spurhalteassistent zu modellieren und zu simulieren,
• ADAS auf Systemebene zu integrieren und zu validieren.

Virtuelle Inbetriebnahme mit Simulink - Einfache Modellerstellung durch CAD Import

Um die Risiken und die Kosten der Inbetriebnahme von Anlagen und Maschinen erheblich zu senken, lohnt es sich, mit Hilfe eines virtuellen Prototypen die Steuerungs-Software auf der SPS frühzeitig testen zu können.
An diesem Demo-Stand erfahren Sie, wie Sie existierende CAD Daten Ihrer Anlage oder Maschine nutzen können, um schnell Simulationsmodelle zu erstellen. Anschließend werden die unterschiedlichen Verbindungs- und Integrationsmöglichkeiten mit Ihrer Steuerung gezeigt:

• Automatischer Import von CAD Daten
• Aufsetzen von Testfällen aufsetzen und Erzeugung einer Coverage Analyse
• Generierung von automatischen Testfällen
• Nutzung des OPC UA Standards aus MATLAB für die Kommunikation mit der SPS

Verifikation und Validierung im Model-Based Design

Ein Vorteil von Model-Based Design ist, dass Fehler schon früh im Entwicklungsprozess gefunden werden können. Zur Verifikation und Validierung auf Modellebene bietet Simulink die Verlinkung mit Requirements, Testen und Testautomatisierung, automatische Überprüfung von Modellierungsrichtlinien, Property Proving und statische Analyse hinsichtlich Laufzeitfehlern.

Für C und C++ Code, sowohl automatisch generierten, als auch händisch geschrieben, bietet Ihnen Polyspace^® die Möglichkeit der statischen Analyse mit formalen Methoden bis hin zum Beweis der Laufzeitfehlerfreit. Diese Verifikations- und Validierungsmaßnahmen unterstützen Sie bei der Entwicklung nach ISO 26262, IEC 61508, DO-178 und ähnlichen Standards.

Modelbasierter Entwurf einer Motorregelung für SoC FPGAs

Vom Modell zum System-on-Chip (SoC) FPGA: Vorgestellt werden die Implementierung eines Motor-Regelungsalgorithmus auf einem heterogenen SoC, bestehend aus einem FPGA und einem ARM^®9 Prozessor, der IP Core Generation Workflow und die automatische HDL- und C-Codegenerierung. Diese Vorführung einer feld-orientierten Regelung (FOC) einer Permanent-Magnet Synchron-Maschine (PMSM) basiert auf einem Xilinx^® ZedBoard™ und verwendet ein Analog Devices^® Motor Control FMC Erweiterungs-Board.

An diesem Demo-Stand sehen Sie, wie MATLAB, Simulink, und HDL Coder™ eingesetzt werden können:

• um die Abhängigkeit von der Hardware durch Simulationen zu reduzieren,
• um Implementierungsfehler mit Hilfe von C- und HDL-Codegenerierung zu vermeiden,
• um schnellere Hardware-Iterationszyklen durch automatisierte Bereitstellung zu erreichen.

Echtzeitregelung elektrischer Antriebe mit Embedded Systemen

Elektrische Antriebe werden häufig durch Embedded Software auf Microcontrollern oder DSPs gesteuert, mit hohen Anforderungen an die Regelgüte, an die Performanz des Codes und an die Möglichkeiten zum Messen und Kalibrieren zur Laufzeit.

An diesem Demo-Stand erfahren Sie, welche Möglichkeiten MATLAB und Simulink bieten, um:

• automatisch C/C++ Code aus MATLAB-Funktionen und Simulink-Modellen zu generieren,
• Code zu optimieren für die Echtzeitanforderungen von Embedded Sytemen
• Zugang zur Embedded Hardware zu erleichtern
• Messdaten online zu visualisieren und Regelsysteme zu kalibrieren.