Die Extrusions- und sonstigen Maschinen in der Anlage von Mondi sind groß und komplex. Jede von ihnen ist bis zu 50 Meter lang und 15 Meter hoch. Jede Maschine wird von bis zu fünf speicherprogrammierbaren Steuerungen (SPS) kontrolliert. Sie protokollieren Temperatur, Druck, Geschwindigkeit und andere Leistungsparameter von den Sensoren der Maschine. Jede Maschine zeichnet 300 bis 400 Parameterwerte pro Minute auf und erzeugt so 7 Gigabyte Daten pro Tag.

Mondi wollte diese Daten für die vorausschauende Instandhaltung nutzen, stand dabei jedoch vor mehreren Herausforderungen. Die Anlagenmitarbeiter besaßen kaum Erfahrung mit statistischen Analysen und maschinellem Lernen. Das Unternehmen musste eine Reihe von Ansätzen für das maschinelle Lernen evaluieren, um zu identifizieren, welcher für seine Daten die präzisesten Ergebnisse ermöglichte. Außerdem musste es eine Anwendung entwickeln, die den Maschinenbedienern die Ergebnisse klar und sofort präsentierte. Und schließlich musste es diese Anwendung so verpacken, dass sie in einer Produktionsumgebung kontinuierlich verwendet werden konnte.

Mondi arbeitete mit MathWorks Consulting Services und mit Prof. Dr.-Ing. Andreas König zusammen, um Software für die Zustandsüberwachung und die vorausschauende Instandhaltung in MATLAB zu entwickeln und bereitzustellen.

Das Mondi-Team hatte zuvor eine Oracle^®-Datenbank eingerichtet, um Daten von allen Maschinen in der Anlage über ein Ethernet-Netzwerk zu sammeln. Es verwendete die Database Toolbox™, um von MATLAB aus auf diese Datenbank zuzugreifen.

Als Nächstes entwickelte das Team MATLAB-Skripte, die die Daten bereinigen, indem sie Ausreißer und ungültige Werte entfernen.

Es entwickelte zudem eine Anwendung in MATLAB, die die Datenbank abfragt und die Ergebnisse grafisch darstellt. Beispielsweise kann ein Mitarbeiter über die Benutzeroberfläche der Anwendung den Druck darstellen, den ein bestimmter Sensor für einen Zeitraum von einigen Minuten, Stunden oder Wochen gemessen hat.

Um die Anwendung zu erweitern, wurden Funktionen der statistischen Prozesskontrolle (SPC) hinzugefügt, die Mitarbeiter benachrichtigen, wenn Sensorwerte außerhalb der normalen Betriebsbereiche liegen.

Mit der Statistics and Machine Learning Toolbox™ und der Deep Learning Toolbox™ evaluierten Mondi und seine MathWorks-Berater mehrere Techniken für das maschinelle Lernen, darunter neuronale Netze, k-Nearest-Neighbor, bagged decisions trees und Support Vector Machines (SVMs).

Für jede Technik trainierten sie ein Klassifizierungsmodell mithilfe gesammelter Maschinendaten und testeten dann, wie gut mit dem Modell Maschinenprobleme vorhergesagt werden konnten. Die Tests zeigten, dass ein Ensemble von bagged decision trees das genaueste Modell für die Daten ergab.

Das Team erweiterte die MATLAB-Anwendung zusätzlich, indem es in die Benutzeroberfläche Vorhersagen vom Modell für das maschinelle Lernen aufnahm. Mithilfe dieser Vorhersagen können Maschinenbediener Warnungen zu potenziellen Ausfällen erhalten, bevor sie auftreten. Mondi verwendete dann MATLAB Compiler™, um eine eigenständige ausführbare Version der Anwendung zu erstellen, die jetzt in der Anlage in der Produktion verwendet wird.

• Einsparungen von über 50.000 € pro Jahr: „Unser Controlling stellte fest, dass wir jährlich über 50.000 € einsparen, wenn wir MATLAB für die vorausschauende Instandhaltung verwenden”, berichtet Dr. Kohlert. „Dieses Gesamtergebnis basiert auf nur acht Maschinen. Wir erwartet mindestens das Vierfache, wenn wir Daten von weiteren Maschinen analysieren.”
• Fertigstellung des Prototyps innerhalb von sechs Monaten: „Viele Consultants reden viel, aber tun wenig”, bemerkt Dr. Kohlert. „Die Consultants von MathWorks hingegen gingen sofort an die Arbeit. Innerhalb von zwei Monaten hatten wir die ersten Tests und nach sechs Monaten einen funktionierenden Prototyp. Der MATLAB-Code ist leicht zu verstehen, sodass wir ihn bei Bedarf schnell verändern können.”
• Ausführung der Produktionssoftware rund um die Uhr: „Es gibt den Irrglauben, dass MATLAB nur für die Forschung oder die Entwicklung geeignet ist”, erklärt Dr. Kohlert. „Wir betreiben unsere Maschinen nonstop, sogar an Weihnachten, und wir nutzen unsere auf MATLAB basierende Software für die Überwachung und die vorausschauende Instandhaltung, um eine unterbrechungsfreie und zuverlässige Produktion zu erreichen.”