naar top
Menu
Logo Print
17/05/2019 - SAMMY SOETAERT

ONGEKENDE MOGELIJKHEDEN VOOR VIRTUELE SENSOREN

Praktische verwerking van gegevens

In deel 1 van dit artikel belichtten we reeds de theoretische kant van datagebruik. Veel bedrijven weten wel dat hun data een schat aan informatie herbergen, maar struikelen bij de praktische implementatie van datagebruik. Hoe kunnen we nu in de praktijk die informatie ten volle benutten?

MEERDERE TOEPASSINGEN

Naast het analyseren en verbeteren van uw productieproces kunt u als bedrijf meerdere zaken uit data halen. Het faciliteren van foutzoeken bijvoorbeeld. Door data-analyse kan dat werk sneller en efficiënter verlopen, zeker in de complexe installaties die we vandaag kennen. Maar ook procesbewaking - het melden van anomalieën - is een toepassing die veelbelovende resultaten laat noteren. 
Over deze principes berichtten we u in deel 1 van deze reeks (Motion Control 1902, maart 2019). Hieronder staan we stil bij een andere interessante toepassing: virtuele sensoren.

Er zijn omstandigheden waarin het niet evident, niet wenselijk of zelfs onmogelijk is om consistent te meten door middel van fysieke sensoren
Er zijn omstandigheden waarin het niet evident, niet wenselijk of zelfs onmogelijk is om consistent te meten door middel van fysieke sensoren

VIRTUELE SENSOREN

De meetkwaliteit van fysieke sensoren is niet altijd even consistent. Niet dat we hier met een steen willen gooien naar de fabrikanten van die componenten, want over het algemeen is hun technologie prima geschikt om haar taak uit te voeren. Maar er zijn nu eenmaal omstandigheden waarin het niet evident, niet wenselijk of zelfs onmogelijk is om consistent te meten door middel van fysieke sensoren:

  • de omstandigheden van de applicatie bemoeilijken een correcte meting. Soms zijn de omstandigheden van die aard (vervuiling, hitte, vocht …) dat een fysieke sensor meteen stukgaat of tot een onnauwkeurige meting leidt. De voorbeelden zijn legio: in de voedingsnijverheid, metallurgie, chemie, papierindustrie …;
  • fysieke sensoren kunnen last hebben van lange meetvertragingen. Ze kunnen ook verkeerde metingen in de eerste minuten produceren na het opstarten;
  • er zijn gevallen waarin enkel een destructieve meting mogelijk is met fysieke sensoren. Er moet met andere woorden beschadiging aangebracht worden aan het te meten stuk;
  • bepaalde grootheden laten zich niet of moeilijk meten met een fysieke sensor;
  • de meetresultaten moeten geanalyseerd worden door een labo. Het werken met externe partijen kan ook een vertraging veroorzaken die u niet in de hand heeft. Bovendien kunnen de kosten snel oplopen;
  • de productie ondervindt vertraging door de meting, omdat ze niet verder kan voor de meetgegevens bekend zijn;
  • de meetsensor is een te dure oplossing voor de applicatie;
  • fysieke sensoren hebben onderhoud nodig.

DATA ALS MEETBASIS

In deze gevallen kan bekeken worden of een virtuele sensor (ook soft-, proxy- of surrogate sensor genoemd) ingeschakeld kan worden. Het virtuele aspect slaat in dit geval op het feit dat er gewerkt wordt op basis van computermodellen die de output van een fysieke sensor voorspellen. Die computermodellen baseren zich op andere data uit andere locaties in het proces. Die dataverzameling kan diverse vormen aannemen: metingen van andere sensoren (die wel probleemloos kunnen meten), machinedata, informatie uit databanken en historische data die met behulp van machine learning omgeturnd worden in het correct voorspellen van het verloop van de grootheid. Om al deze ruwe data geschikt te maken om tot een correcte inschatting te leiden, is evenwel nog een getrapt proces nodig. Dat bestaat uit meerdere stappen: importeren, schoonmaken en filteren.

Importeren

Het importeren betreft het verzamelen van alle relevante databases en deze geschikt maken voor verdere verwerking.

Schoonmaken en filteren

Het schoonmaken en filteren is het corrigeren van fouten in de meetgegevens, zoals ontbrekende data en het elimineren van overbodige informatie, zoals ruis en outliers. Die laatste zijn meetwaardes die heel ver van de andere waardes liggen, waardoor ze een vertekend beeld geven van de werkelijkheid.

Valideren

Zodra de databases klaar zijn voor gebruik, kunnen verschillende soorten machinelearningalgoritmen op de data losgelaten worden om op basis hiervan computermodellen te ontwikkelen. Het valideren behelst dan ten slotte het aftoetsen of de meetdata volgens de modellen wel degelijk de realiteit weerspiegelen. Indien niet, kan het nodig zijn om de hele oefening te herwerken en eventuele factoren bij te voegen, weg te laten of te verfijnen. Belangrijk is het besef dat dit een continue proces is, ook al heeft het de validering doorstaan. Een productieproces evolueert voortdurend en die evoluties lijken ook steeds sneller te gaan. Het proces kan zich ook anders gedragen dan op het moment waarop de oorspronkelijke virtuele sensor gemaakt werd. Daarom kunnen de prestaties van de sensor beter voortdurend gemonitord worden. De resulterende meetwaarden kunnen gecommuniceerd worden met externe partijen, bv. een PLC. Ook kan op basis van deze uitkomst een waarschuwing of rapportering geformuleerd worden via e-mail of sms.

 

Het gebruik van data in een overzichtelijk ecosysteem gegoten (Fraunhofer-Gesellschaft)
Het gebruik van data in een overzichtelijk ecosysteem gegoten (Fraunhofer-Gesellschaft)

 

AANDACHTSPUNTEN

Het gebruik van data om een virtuele sensor te creëren laat toe om grootheden te meten die met traditionele sensoren onmogelijk of moeilijk te meten zijn door financiële of technische redenen. Het proces is evenwel vatbaar voor enkele valkuilen. Niet enkel is een selectie nodig van de juiste datasets, de inhoud moet kwalitatief in orde zijn. Een voorbeeld van een fout is dat men datasets gebruikt waarvan de sampletijd - de tijdspanne waarin een grootheid gemeten wordt - te kort is om de sensor in te zetten voor uitspraken op langere termijn. De temperatuur van een pomp buiten zal variëren volgens de seizoenen. Als de sampletijd beperkt werd tot één maand, dan weet je dat het moeilijk wordt om uitspraken te doen over een langere periode.

Een tweede valkuil is de kostprijs. Voor bepaalde applicaties kan een virtuele sensor duurder uitvallen. Bij de aandrijvingen uit het tweede voorbeeld wordt de kostprijs gedrukt omdat de producent ze op alle aandrijvingen kan toepassen. Voor een standalone aandrijving wegen de ontwikkelingskosten misschien niet op tegen de kost van een traditionele sensor.

TWEE PRAKTIJKVOORBEELDEN

Papiersterktemetingen zijn veelal destructieve tests: het materiaal is onbruikbaar.  Via virtual sensing wordt het mogelijk om exacte voorspellingen te doen zonder beschadiging van het materiaal
Papiersterktemetingen zijn veelal destructieve tests: het materiaal is onbruikbaar. Via virtual sensing wordt het mogelijk om exacte voorspellingen te doen zonder beschadiging van het materiaal

Papiersterktemeting

Een veelgebruikte toepassing van virtuele sensoren is het vermijden van destructieve labotesten. Een papiersterktetest is een prima voorbeeld. Om de papiersterkte te meten, was in een bepaald bedrijf enkel een destructieve meting mogelijk, waarbij door middel van een geregelde bemonstering de sterkte telkens moest worden gecontroleerd. Via virtual sensing worden meerdere proceseigenschappen gemeten, zoals o.a. de dikte van het papier, de loopsnelheid van de machine, de druk en de temperatuur. Door die data in een model te gieten, kan een benadering gemaakt worden van de sterkte die gemeten zou worden in het labo door middel van een destructieve test. Door die resultaten daarbovenop nog eens te vergelijken met historische meetresultaten die onder dezelfde omstandigheden verkregen werden, kan een zeer accuraat resultaat behaald worden. Andere grootheden die in de papierindustrie gemeten kunnen worden, zijn o.a. het vochtgehalte, het gramgewicht en de sterkte van het papier.

Het toevoegen van factoren om correlaties te detecteren draagt bij aan de kwa­li­teit van de voorspelling. De temperatuur van een drive monitoren zal u veel leren over de prestatiecurve, maar het resultaat zal nog veel beter zijn als u ook oliekwali­teit, olietemperatuur, aantal bedrijfsuren, belasting en buitentemperatuur meeneemt
Het toevoegen van factoren om correlaties te detecteren draagt bij aan de kwa­li­teit van de voorspelling. De temperatuur van een drive monitoren zal u veel leren over de prestatiecurve, maar het resultaat zal nog veel beter zijn als u ook oliekwali­teit, olietemperatuur, aantal bedrijfsuren, belasting en buitentemperatuur meeneemt

Olietemperatuurmeting aandrijving

Bij aandrijvingen wijst een stijgende olietemperatuur op problemen zoals een slechte uitlijning, te veel wrijving of overbelasting. Toch zijn er talrijke applicaties waarbij een hele serie aandrijvingen met beperkt vermogen ingezet wordt op een beperkte ruimte, bv. bij transportbanden in luchthavens. Alle aandrijvingen voorzien van sensoriek is prijstechnisch niet interessant, dus keken ingenieurs naar alternatieven. Door data vanuit de frequentieregelaar, zoals de geleverde stroom, de spanning en de snelheid samen te brengen, kan de olietemperatuur op dat moment worden afgeleid. Bij de validatietests bleek de berekende olietemperatuur quasi gelijk te lopen met de reële temperatuurcurve. De moeilijkheid lag erin om de validatie rond te krijgen voor elk mogelijk belastingspatroon.

 

AANDACHTSPUNTEN BIJ CLOUDDIENSTEN

Gegevensverlies

Door programmerings-, hardware- of systeemfouten kunnen gegevens verloren raken. Meer specifiek liggen het per ongeluk verwijderen van virtuele servers, corrupte bestanden en beschadiging van de virtuele servers vaak aan de basis van verlies. Virtuele servers zijn aparte servers op een fysieke server die voorbehouden zijn voor een bepaalde gebruiker.

Hacking

Hacking zit in de lift en is volop in evolutie. Daar waar vroeger de karakteristieke computernerd/tiener zich uit verveling toegang baande tot systemen, is dit de laatste jaren geëvolueerd naar een vorm van professioneel georganiseerde misdaad met soms zelfs geopolitieke motieven, zoals de recentste presidentsverkiezingen in de States aantoonden. In het geval van industriële toepassingen zijn de motieven van daders zeer divers: stelen van gegevens om componenten na te maken, om bedrijfsgevoelige financiële info te verkrijgen, om chantage te kunnen plegen, sabotageacties uit te voeren …

Malware

Onderzoekers van de gerenommeerde technische universiteit Georgia Tech voerden recent een onderzoek uit op 20 cloudservices. Zo'n 10% van de aanwezige softwarebronnen bleek besmet met een of andere vorm van malware. Een zorgwekkende evolutie omdat malware o.m. gebruikt wordt om kritieke info buit te maken. Even gevaarlijk is ransomware, waarbij toestellen geblokkeerd worden en pas weer vrijgegeven worden als er losgeld betaald wordt. Het bekende WannaCry is hiervan een voorbeeld.

Onterechte toegang

Een slechte opvolging van toegangsrechten, al dan niet in combinatie met een laks wachtwoordbeheer, kan ervoor zorgen dat ongeautoriseerde personen zich toegang verschaffen tot gevoelige bestanden.