DOSP-VHR-002290 | Retrokit - Optimalisatie van Machine Retrofitting met Retrokit: Een Modulaire Machine Learning Aanpak voor Edge-Based Conditie Monitoring

Steeds meer bedrijven stappen over naar Industrie 4.0, maar worden geconfronteerd met een verouderd machinepark. Retrofitting is een kosteneffectieve en niet-ingrijpende strategie om oudere industriële machines in overeenstemming te brengen met de normen van Industrie 4.0 door extra technologische functies toe te voegen. De M-Group aan de KU Leuven Campus Brugge heeft een conditiemonitoring-methodologie ontwikkeld met behulp van unsupervised anomaliedetectie met machine learning voor retrofitting-toepassingen. Dit resulterende model is ongeveer 50% kleiner dan de state of the art, maar even nauwkeurig als het gaat om het detecteren van fouten. Deze verkleinde omvang is een essentieel voordeel in vergelijking met concurrerende benaderingen, omdat het mogelijk maakt om daadwerkelijk foutdetectie uit te voeren op Micro-Controller Units (MCU) op edge devices. Dit project heeft tot doel de Retrokit te ontwikkelen, een flexibel en modulair conditiemonitoringsysteem dat de resulterende methodologie in een ingebed apparaat integreert. Als zodanig zal het generieke componenten bevatten voor gegevensverzameling, verwerking en classificatie, met de nadruk op een minimaal invasieve implementatie door de analyse van elektrische signaalgegevens. Het doel is om een modulair ontwerp te ontwikkelen dat kan worden aangepast aan de specifieke toepassing. De M-Group zal nauw samenwerken met het IoT Lab aan de Hogeschool VIVES om hun hardware-expertise op het gebied van ingebedde apparaten te benutten.