Combler le fossé : connecter les anciennes machines aux nouveaux systèmes grâce à Apprentissage machine et à la connectivité Edge

Les anciens systèmes, les appareils obsolètes et les vieilles machines sont toujours présents dans de nombreux ateliers, et leur utilisation devrait se poursuivre dans un avenir proche. Il peut être difficile de justifier le remplacement d'une vieille machine en état de marche par une nouvelle dans le seul but d'assurer la connectivité et la collecte de données. Cependant, nous reconnaissons tous la valeur et l'importance de comprendre l'état de la machine et de connecter ces vieilles machines à de nouveaux systèmes qui assurent la surveillance, les alertes, la traçabilité et la transparence des activités de l'atelier. Cette prise de conscience nous ouvre les yeux.

Quel est donc le défi auquel nous sommes confrontés ? D'une part, nous souhaitons la connectivité et la possibilité de continuer à extraire de la valeur de ces machines. D'autre part, il s'agit de vieilles machines qui, souvent, ne prennent pas en charge les protocoles modernes tels que OPC UA (architecture unifiée de communication en plateforme ouverte) et MQTT, et certaines ne peuvent même pas être connectées directement, quels que soient les efforts déployés. En outre, d'autres machines plus simples, comme les pompes ou les ventilateurs, n'ont tout simplement rien à lire, et pourtant, nous aimerions quand même voir comment et quand elles fonctionnent, combien d'énergie elles consomment, et même prédire les pannes.

La modernisation d'une machine obsolète présente de nombreux avantages, tels que l'amélioration de la qualité des produits, l'augmentation de la capacité de production et la possibilité d'un contrôle et d'une collecte de données efficaces. Cependant, le processus d'introduction de changements dans l'atelier, comme la mise à niveau vers un modèle plus récent, est loin d'être simple. Il perturbe les flux de travail existants, nécessite la formation du personnel et entraîne des coûts substantiels. En outre, du point de vue de l'investissement, il faut beaucoup de temps pour récupérer l'investissement initial dans une machine. Par conséquent, il devient impératif pour nous d'encourager la créativité et d'explorer des approches alternatives pour connecter les machines vieillissantes, plutôt que de recourir à un remplacement immédiat.

Étonnamment, ces problèmes peuvent être résolus grâce à de nouvelles approches et à de nouvelles technologies, et l'une de ces solutions consiste à exploiter la puissance des capteurs pour générer des données. Combler le fossé entre les machines obsolètes et les plateformes modernes n'est pas aussi difficile qu'il n'y paraît. Prenons l'exemple d'une machine plus ancienne, antérieure à l'Internet industriel des objets (IIoT) et qui ne peut pas être connectée à l'aide des méthodes conventionnelles de surveillance et de collecte de données. Dans ce cas, la réponse réside dans une solution simple et rentable : les capteurs, en particulier les capteurs de mesure du courant et des vibrations qui sont polyvalents et compatibles avec une large gamme de machines. Pour exploiter le potentiel de ces données générées par les capteurs, nous utiliserons les techniques de Apprentissage machine (ML).

[Résumé : Vous pouvez également utiliser des caméras et l'OCR pour vous connecter à l'écran de la machine, pour en savoir plus, consultez ce blog].

Apprentissage machine exploite les données des capteurs depuis près de vingt ans, la maintenance prédictive étant l'application la plus connue. Cependant, il existe de nombreuses autres applications. Dans le contexte de notre discussion, notre objectif est de prédire l'état de la machine, qu'elle soit "en marche", "à l'arrêt" ou dans un état plus nuancé. Par exemple, lors de la surveillance d'une machine de moulage par injection ou d'une machine CNC, nous devrions être en mesure de déterminer son état à tout moment. Entrons maintenant dans les détails.

L'intégration de capteurs nous permet de recueillir des données précieuses sur nos machines vieillissantes. Les variations du courant et des niveaux de vibration au cours des différentes étapes du processus fournissent des informations utiles. Les capteurs agissent comme une fenêtre sur le moment présent, fournissant des données en temps réel. Par exemple, pendant la phase de chauffage d'une machine de moulage par injection, on peut s'attendre à une forte consommation d'énergie (mesurée par le capteur de courant). De même, un capteur de vibrations détectera une activité importante pendant la phase d'ébauche d'une machine à commande numérique.

Excellent ! Nous avons maintenant établi un moyen d'extraire des données de nos anciennes machines. L'étape suivante consiste à canaliser ces données vers une plate-forme qui nous permettra d'en tirer des informations utiles.

C'est là que la plate-forme Tulip Appareils Edge et la plateformeTulip s'avèrent inestimables.

Les capteurs comblent le fossé entre les domaines physique et numérique en générant des données. L'étape suivante consiste à connecter le flux de données du capteur à un système numérique, ce qui peut être réalisé à l'aide de Appareils Edge comme EdgeIO deTulip. Ce dispositif facilite l'intégration transparente des capteurs dans la plateforme Tulip . Doté de plusieurs ports adaptés à une large gamme de capteurs, le EdgeIO de Tulip intègre également Node-RED, un outil puissant qui mérite d'être exploré. En substance, Node-RED est un outil de développement basé sur le flux utilisé pour connecter des dispositifs matériels, des API et des services en ligne dans le domaine de l'internet des objets (IoT). Son éditeur de flux basé sur un navigateur web permet aux utilisateurs de créer des fonctions JavaScript qui aident à traiter les données.

Une fois que nous avons connecté les capteurs à notre machine d'un côté et à l'EdgeIO de l'autre, nous définissons le flux de données sur Node-RED, ce qui nous permet de stocker les données sur Tulip. L'étape suivante consiste à utiliser ces données pour obtenir des informations, générer des rapports, créer des tableaux de bord en temps réel et mettre en place des alertes.

Après avoir câblé la machine et établi le flux de données, l'étape cruciale suivante consiste à exploiter ces données en temps réel. La plupart des capteurs génèrent des données de séries temporelles, représentant un signal analogique échantillonné uniformément dans le temps pour créer des données numériques discrètes. Ces données circulent en temps réel du capteur à l'EdgeIO et dans notre base de données en nuage. C'est à ce stade que nous pouvons utiliser la logique pour extraire des informations précieuses. La logique peut aller d'approches simples basées sur des seuils à des modèles plus sophistiqués sur Apprentissage machine .

Fournir un tutoriel approfondi sur la construction de solutions Apprentissage machine pour les données de séries temporelles dépasse le cadre de ce blog. Cependant, nous aimerions vous présenter quelques idées et concepts sur la façon dont cela peut être fait.

Apprentissage machine peuvent être considérées comme une boîte qui prend un échantillon de données en entrée et fournit une prédiction en sortie. Dans notre cas, l'entrée consistera en quelques échantillons de la série temporelle (environ 5 à 10 secondes de signal), et la sortie sera l'état de la machine. Pour simplifier, supposons qu'il y ait deux états : "off" et "on", bien que la solution puisse être généralisée à plusieurs états. Dans un contexte de production, le modèle ou l'algorithme de ML recevra des échantillons de données et prédira l'état de la machine. Avant d'y parvenir, le modèle doit être entraîné à effectuer la tâche souhaitée.

La formation ou la construction d'un modèle est la tâche des scientifiques des données, qui utilisent des données historiques pour former le modèle. Il existe deux approches principales de la formation d'un modèle que nous aimerions présenter : l'apprentissage non supervisé et l'apprentissage supervisé.

L'approche de l'apprentissage non supervisé, en particulier le regroupement, consiste à collecter des données à partir de capteurs et à les diviser en petites tranches de temps (généralement quelques secondes, en fonction de la machine). L'objectif est de regrouper les points de données, en veillant à ce que les échantillons "éteints" et "allumés" soient regroupés dans des groupes distincts sur la base de leurs caractéristiques statistiques. Dans le cas du regroupement, aucun étiquetage n'est nécessaire et les échantillons sont regroupés uniquement en fonction de leurs caractéristiques. Pour attribuer des étiquettes aux grappes, un utilisateur peut avoir besoin d'annoter un petit nombre d'échantillons, qui seront utilisés par le modèle pour déterminer les étiquettes des grappes. En production, lorsqu'un nouvel échantillon de données est introduit, sa distance par rapport aux grappes est calculée et l'étiquette de la grappe la plus proche devient l'état prédit du nouvel échantillon.

Bien que les méthodes non supervisées soient puissantes, elles peuvent présenter des limites en termes de précision et de complexité, en particulier pour les problèmes présentant des états de machine similaires. C'est pourquoi les méthodes supervisées sont populaires, car elles utilisent des données étiquetées et sont généralement plus faciles à former. Pour collecter des données étiquetées, les utilisateurs sont invités à étiqueter l'état de la machine pendant la période d'échantillonnage des données. Une fois que quelques centaines d'échantillons de données étiquetées ont été collectés, un modèle tel qu'un réseau neuronal peut être entraîné à analyser un échantillon de données donné et à prédire l'état de la machine. Le modèle entraîné peut ensuite être utilisé en production pour classer l'état actuel de la machine. Par ailleurs, les données étiquetées doivent refléter le comportement de la machine en production. Ainsi, si une machine est simplement allumée ou éteinte, quelques échantillons suffisent. En revanche, si la machine passe par différentes étapes de production, si les matériaux changent ou si des facteurs externes influencent les données, il peut être nécessaire de disposer d'un grand nombre de données étiquetées.

Dans les deux cas, le modèle est formé à l'aide de données historiques. Les approches non supervisées, comme le regroupement, ne nécessitent pas d'étiquetage, mais leur précision peut être moindre et leur complexité limitée. En revanche, les modèles supervisés sont plus faciles à former et permettent souvent d'obtenir des performances supérieures, mais l'étiquetage peut être complexe et prendre du temps.

La connectivité est un élément essentiel du succès de transformation numérique, souvent incarné dans l'atelier par le concept de l'Internet industriel des objets (IIoT). Cette notion tourne autour de l'intégration des machines et d'autres entités à l'internet, une idée apparemment simple dans le monde d'aujourd'hui. Cependant, la mise en œuvre d'une connectivité efficace est une entreprise complexe. C'est là que Tulip intervient, en offrant une gamme variée de capacités de connectivité qui permettent la collecte de données de machines par le biais d'interfaces logicielles modernes telles que les API et les requêtes SQL, ainsi que des connexions physiques telles que les interfaces réseau, USB, série et analogique. En outre, Tulip prend en charge des protocoles standard tels que OPC-UA et MQTT, conçus spécifiquement pour faciliter Connectivité machine. Ces connecteurs servent de passerelles entre les domaines physique et numérique, facilitant le transfert de données en toute transparence.

Néanmoins, il peut arriver que la connexion des machines s'avère difficile, ce qui nécessite des solutions innovantes. Dans de tels cas, Tulip agit comme une boîte à outils polyvalente, permettant aux utilisateurs d'explorer et de libérer leur créativité dans le domaine de la numérisation.

EdgeIO est un dispositif qui permet d'incorporer des appareils en tant qu'entrées et sorties dans vos applications, facilitant ainsi la création de déclencheurs et de flux de travail permettant de gagner du temps. Il capture les événements et les mesures enregistrés par les machines, les appareils et les capteurs.

Une fois les composants susmentionnés en place, trois principes entrent en action avec EdgeIO :

• Ouverture : Collectez des données à partir de machines en réseau, analogiques et propriétaires à l'aide de capteurs et de caméras. Prenez en charge les protocoles les plus courants et fournissez des interfaces intuitives pour inviter les humains à fournir des données supplémentaires.

• Agilité et libre-service: Permettez aux ingénieurs les plus proches des opérations d'ajouter des appareils et de mettre en œuvre des changements sans avoir besoin de codage ou d'expertise. Tulip Appareils Edge est rentable, facile à mettre en place et peut être utilisé pour de multiples cas d'utilisation.

• Intégré et connecté : Créez des flux de travail intuitifs et rationalisés qui collectent automatiquement des données et offrent des conseils en temps réel. Tulip peut être intégré à d'autres systèmes, en se connectant à des API HTTP, des bases de données SQL et des serveurs OPC UA (architecture unifiée de communication en plateforme ouverte) .

Avec ces capteurs en place, les plateformes d'opérations de première ligne telles que Tulip peuvent être incroyablement utiles. Tulip propose EdgeIO, un dispositif de connectivité qui se connecte facilement à ces capteurs. L'appareil EdgeIO peut exécuter Node-RED, un outil de développement basé sur les flux pour relier les appareils matériels, les API et les services en ligne dans le domaine IoT . Node-RED fournit un éditeur de flux basé sur un navigateur web, permettant aux utilisateurs de créer des fonctions JavaScript. En utilisant Node-RED, les capteurs et le dispositif EdgeIO, nous pouvons collecter des données en temps réel et en continu. Ces données provenant de la machine peuvent être stockées dans une table Tulip et utilisées pour former un modèle Apprentissage machine . Et nous pouvons le faire sans écrire une seule ligne de code.