预测性维护 | 可口可乐公司开发基于机器学习的虚拟压力传感器以改进饮料机诊断

MATLAB 是工程师开发预测性维护算法并在运营中部署这些算法的最简单高效的环境。

可口可乐公司的工程师就使用了 MATLAB® 和 Simulink® 开发了一种基于机器学习的虚拟传感器，并将其部署到了资源受限的饮料机微处理器上。

使用 MATLAB 和 Simulink 进行预测性维护

设计预测性算法

创建一个可靠的预测性算法涉及的方方面面比使用 AI 多很多：您需要访问、清洗和探查数据，然后使用工程专业知识提取最佳特征来训练预测性算法。使用应用特定函数和参考示例快速入门。

使用内置的云存储、数据库、数据历史记录和工业协议接口访问流数据和存档数据
使用交互式统计和信号处理方法清洗和探查数据
使用诊断特征设计器提取时域、频域和应用特定的特征并进行排序
使用低代码 AI、统计和基于模型的方法标识故障并预测故障时间

模型组件和系统

您可以使用 Simulink 和 Simscape 创建的基于物理的模型生成合成故障和退化数据，确定最佳传感器，并仿真性能。

创建组件和系统的 Simulink 和 Simscape 模型或将其再利用
调节模型参数使其匹配实际设备性能
为训练预测性算法生成合成故障和退化数据
将模型部署为数字孪生

随时随地部署

在嵌入式设备和企业 IT/OT 系统上实现 MATLAB 算法，从而缩短响应时间，减少传输数据量，并让操作人员能第一时间获取结果。

从 MATLAB 生成 C/C++ 代码，以直接在资产和边缘设备上进行实时处理，从而消除手动编码
通过与各种云平台集成来扩展您的 MATLAB 算法，无需重新编码或创建自定义基础架构

可口可乐公司应用案例

可口可乐公司的 Freestyle 饮料机让消费者通过触摸屏界面即可从数百种不同饮料中进行选择。该饮料机的一个关键部件是流量控制模块 (FCM)，其中包括调节水流的电磁作动阀。由于饮料机的水管中没有物理压力传感器，因此，现场技术人员无法区分 FCM 故障和上游压力损失，这就导致了不必要的 FCM 更换。

为了改进现场诊断，可口可乐公司的工程师使用 MATLAB® 和 Simulink® 开发了一种基于机器学习的虚拟传感器，并将其部署到了资源受限的饮料机微处理器上。

该团队首先通过硬件在环测试过程从 FCM 采集数据。他们使用了 Simulink 对简单的控制器建模并为其生成代码，再将该代码下载到了用于捕获阀门压力和水流测量值的饮料机控制板。然后，他们使用 MATLAB 根据采集的数据开发了用于执行特征提取和多元回归的函数。他们将这些函数集成到了一个 Simulink 模型中，以根据阀门水流预测阀门压力。通过与 MathWorks 工程师合作，该团队先减少了模型的占用空间，再生成了用于 FCM 的 ARM Cortex-M 微处理器的代码。

在现场部署虚拟传感器之前，他们通过采集并分析数据对该传感器的准确度进行了验证。这些数据来自于使用两种不同控制板基于 10 种不同的 FCM 进行的 3,000 多次测试。

最终，可口可乐公司取得了如下成果：

将标准流量控制模块转变为具有诊断功能的智能组件
无需再使用高成本的传感器改造数千台现有饮料机
压力预测准确度高达 91%

◆ ◆ ◆ ◆

想要观看完整演讲视频，或查看演讲 PPT，您可以点击“阅读原文”。