Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Coca-Cola développe un capteur de pression virtuel avec le Machine Learning pour améliorer les diagnostics des distributeurs de boissons
Grâce à MathWorks, l'équipe a réussi à réduire l'empreinte mémoire de ce code pour qu'il s'intègre parfaitement au microprocesseur ARM-Cortex M. Elle a transformé le module de contrôle du flux en un composant intelligent.
Principaux résultats
- Transformation d'un module de contrôle de débit standard en un composant intelligent capable d'établir des diagnostics
- Suppression de la nécessité d'équiper les milliers de distributeurs existants de capteurs coûteux
- Jusqu'à 91 % de précision dans les prédictions de pression
Les distributeurs de boissons Coca-Cola Freestyle permettent aux consommateurs de choisir parmi des centaines de boissons différentes via une interface à écran tactile. Un élément clé du distributeur est son module de contrôle de débit (FCM), qui comprend une vanne actionnée par solénoïde pour réguler le débit d'eau. En l'absence de capteur de pression physique dans la conduite d'eau de la machine, les techniciens de terrain n'étaient pas en mesure de faire la distinction entre une défaillance du FCM et une perte de pression en amont, ce qui entraînait des remplacements inutiles du FCM.
Afin d’améliorer les diagnostics sur le terrain, les ingénieurs de Coca-Cola ont utilisé MATLAB® et Simulink® pour développer un capteur virtuel basé sur le Machine Learning et le déployer sur le microprocesseur à ressources limitées du distributeur.
L’équipe a commencé par collecter des données auprès des FCM via un processus de test hardware-in-the-loop. Les ingénieurs et techniciens de Coca-Cola ont utilisé Simulink pour modéliser et générer du code pour un contrôleur simple, qu'ils ont ensuite téléchargé sur une carte de contrôle de distributeur utilisée pour capturer les mesures de pression de vanne et de courant électrique. Travaillant sous MATLAB, ils ont ensuite développé des fonctions permettant d’effectuer l’extraction de caractéristiques et la régression multivariable à partir des données collectées. Ils ont intégré ces fonctions dans un modèle Simulink qui prédisait la pression de la valve en fonction du courant la traversant. En collaboration avec les ingénieurs de MathWorks, l'équipe a réduit l'empreinte du modèle avant de générer du code pour le microprocesseur ARM Cortex-M du FCM.
Préalablement au déploiement du capteur virtuel sur le terrain, l’équipe a vérifié sa précision en collectant et en analysant les données de plus de 3 000 tests sur 10 FCM différents avec deux cartes de contrôle différentes.
Produits utilisés
Ressources associées