Mit einfachen Sensoren und „ Machine Learning “ neue Erkenntnisse gewinnen – in den Technologiezentren von „ Autodesk “ in Boston
Für Josh Aigen, Werkstattleiter bei den „ Autodesk “-Technologiezentren in Boston, gehört das Lernen zum Job dazu. Josh leitet und beaufsichtigt die gemeinsam genutzte Holzwerkstatt und die Laserschneidwerkstatt, die die „ Autodesk “-Technologiezentren innovativen Organisationen und Teams zur Verfügung stellen, und sorgt dafür, dass alle, die die Geräte nutzen, ordnungsgemäß geschult sind.
Die Vielzahl an analogen und maßgeschneiderten Geräten in ihrer Werkstatt macht es, wie in den meisten Fällen, manchmal schwierig, Einblicke in die Leistungsfähigkeit ihrer Abläufe zu gewinnen und Verbesserungen vorzunehmen. In Zusammenarbeit mit Tulip haben Josh und sein Team Automatisierungen und Prozesse entwickelt, die sicherstellen, dass sie nicht nur Einblick in ihre Werkstatt haben, sondern auch die richtigen Personen benachrichtigen können, wenn etwas Aufmerksamkeit erfordert. Wenn sich beispielsweise ein Staubbehälter füllt, erfasst Tulip dieses Ereignis und löst eine E-Mail-Benachrichtigung aus, um jemanden darüber zu informieren, dass es Zeit ist, den Behälter zu wechseln.
Als das Team von „ Tulip “ mit der Entwicklung des Edge-Geräts der nächsten Generation, dem „Edge IO“, begann, bot das „ Autodesk Technology Center“ in Boston den perfekten Rahmen, um neue Funktionen zu testen.
Analoge Sensorüberwachung mit dem Edge IO
Das Edge IO bietet Funktionen zur analogen Hochgeschwindigkeitsüberwachung und unterstützt handelsübliche Strom- und Schwingungssensoren. Dadurch fließen neue Daten in „ Tulip “ für analoge Maschinen ein. Während der Entwicklung des Edge IO hat das Team von „ Tulip “ ein Edge IO an eine isolierte (nicht vernetzte) CNC-Fräsmaschine angeschlossen.
Ein handelsüblicher Schwingungssensor und eine Stromzange wurden an die Maschine angeschlossen. Der Schwingungssensor ist am Gehäuse der Mühle befestigt, und die Stromzange ist direkt am Schaltschrank angeschlossen.
Edge IO verfügt über integriertes „ Node-RED “, eine flussbasierte Programmiersprache zum Verbinden von Geräten und Sensoren. Auf dem Gerät werden die Daten der Sensoren über „ Node-RED “ an Edge IO weitergeleitet, wo sie anschließend an die Cloud gesendet und dort mit „ Tulip “-Apps genutzt werden können. Die von „ Tulip “ bereitgestellten Flows erleichtern die Einrichtung von „ Node-RED “ für einen bestimmten Sensor.
Eingabe Machine Learning
Nach der Bereitstellung der Lösung wurden die Daten auf dem Gerät erfasst, in „ Node-RED “ verarbeitet und visualisiert und anschließend an „ Tulip “ gesendet, um dort in No-Code-Apps genutzt zu werden. Die Sensordaten lassen sich in Frequenz- und Zeitreihendiagrammen visualisieren, die das Verhalten einer Maschine in Echtzeit darstellen.
Die Unterstützung dieser Hochgeschwindigkeitsüberwachung durch Edge IO in Kombination mit Node-RED ermöglichte es, auf einfache Weise neue Erkenntnisse über bisher nicht erfasste Maschinen zu gewinnen.
Die Bediener erhalten nicht nur einen Echtzeit-Überblick über die Leistung der Maschine, sondern die Daten können auch dazu genutzt werden, Modelle des „ machine learning “ zu trainieren, um den Zustand und die Funktionsfähigkeit der Maschine vorherzusagen.
Wenn sich ein Werkzeug abnutzt, kann sich der Maschinenzustand ändern, was eine Warnmeldung auslöst. Das Team von „ Tulip “ hat ein einfaches Modal und eine App implementiert, die Anomalien an der CNC-Fräsmaschine erkennen und den Bediener visuell in der App darauf hinweisen können.
Neue Nutzer unterstützen
„Wir freuen uns darauf, neue Nutzer im Umgang mit modernster Technologie zu schulen. Wir bilden hier viele Menschen aus. Das Konzept von ‚ machine learning ‘ hilft uns dabei, besser auf diejenigen einzugehen, die nicht über denselben Erfahrungsstand verfügen wie wir.“
Im Technologiezentrum in Boston unterrichtet Josh Aigen viele Menschen. Einige der neuen Nutzer, die zu uns kommen, verfügen nicht über denselben Erfahrungsstand wie andere, und die Möglichkeit, ihnen mithilfe von Edge-Technologie zu helfen, ist ein großer Gewinn. Die von machine learning unterstützte Anomalieerkennung schafft eine Rückkopplungsschleife, die neuen Nutzern hervorragend dabei hilft, die steile Lernkurve zu überwinden, die oft mit diesen neuen Geräten einhergeht.
Die Technologiezentren der „ Autodesk “ nutzen „ Tulip “, um spannende Anwendungsfälle zu entwickeln, die die Skalierbarkeit und Agilität der AWS-Cloud nutzen, um Anwendungen zur Überwachung der Gerätenutzung und zur Verwaltung von Schulungen bereitzustellen. Die Plattform von „ Tulip“ mit vernetzten „ edge devices “ und Sensoren bietet Einblick in ihre Betriebsabläufe und stellt weltweit zugängliche, verwertbare Daten bereit.
