Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
Coca-Cola desarrolla un sensor de presión virtual con Machine Learning para mejorar el diagnóstico de dispensadores de bebidas
Con la ayuda de MathWorks, el equipo de trabajo pudo reducir la cantidad de código para incorporarlo en el microprocesador ARM-Cortex M. El módulo de control de flujo se ha transformado en un componente inteligente.
Resultados principales
- Transformación de un módulo de control de flujo estándar en un componente inteligente con capacidad de diagnóstico
- Se eliminó la necesidad de actualizar miles de dispensadores existentes con sensores costosos
- Se logró una precisión de hasta el 91% en las predicciones de presión
Los dispensadores de bebidas Freestyle de Coca-Cola permiten a los consumidores seleccionar entre cientos de bebidas diferentes a través de una interfaz de pantalla táctil. Un componente clave del dispensador es el módulo de control de flujo (FCM), que incluye una válvula accionada por solenoide para regular el flujo de agua. Sin un sensor de presión física en la línea de agua de la máquina, los técnicos de campo no podían distinguir entre un fallo del FCM y una pérdida de presión de agua, lo que llevó a reemplazos innecesarios del FCM.
Para mejorar los diagnósticos de campo, los ingenieros de Coca-Cola utilizaron MATLAB® y Simulink® para desarrollar un sensor virtual basado en Machine Learning e implementarlo en el microprocesador con recursos limitados del dispensador.
El equipo comenzó recopilando datos de los módulos FCM a través de un proceso de pruebas de hardware-in-the-loop. Con Simulink, modelaron y generaron código para un controlador simple, que luego descargaron a una placa de control del dispensador utilizada para capturar la presión de la válvula y las mediciones de corriente eléctrica. Con MATLAB, desarrollaron funciones para realizar extracción de características y regresión multivariable basadas en los datos recopilados. Incorporaron estas funciones en un modelo de Simulink para predecir la presión de la válvula en función de la corriente de la válvula. Junto con ingenieros de MathWorks, optimizaron el tamaño y complejidad del modelo antes de generar el código para el microprocesador ARM Cortex-M del FCM.
Antes de implementar el sensor virtual en el campo, el equipo verificó la precisión mediante la recopilación y análisis de datos procedentes de más de 3000 pruebas en 10 FCM diferentes con dos placas de control diferentes.
Productos utilizados
Recursos relacionados