Real-time data analyzer pro MELIPC

Real-time diagnostika a offline analýza zlepší produkci v reálném čase

V průmyslové automatizaci je důležité zjistit příznaky chyb vzniklých ve výrobních datech v reálném čase, pro rychlé zrealizování korekcí. V real-time diagnostice jsou data diagnostikovány kontinuálně prostřednictvím AI. Výsledek je okamžitě vrácen do výrobních strojů. Real-time diagnostika v reálném čase s vysokou přesností a přesnými diagnostickými pravidly vyhodnocuje chyby na základě dat z minulosti a znalostech o druhu výroby a použitých zařízeních. Offline analýza provádí efektivní analýzu probíhající v grafickém prostředí s využitím pokročilejších analytických metod.

Analytické a diagnostické metody

Rozpoznání podobných křivek a zjištění odchylky od normálního stavu (AI Technologie)

Rozpoznání odchylek křivek od normálního stavu probíhá s využitím AI, které se učí rozpoznávat podobné křivky. Na základě toho je realizována preventivní údržba a kontrola kvality bez spoléhání se na individuální znalosti. V offline analýze se AI naučí křivky, které jsou pro danou aplikaci a operace normální. Následně v real-time diagnostice AI porovná real-time křivky s normálními, které se naučilo. Vyhodnotí, zda vyhovují nebo nevyhovují normálním hodnotám. Díky AI jsou rozpoznatelné i znaky abnormality, které nelze rozpoznat jednoduchým prohlášením horních a dolních hranic.

Rozpoznání vychýlení od normálního stavu Mahalanobis-Taguchi systémem

Použitím rozdělení dat normální operace jako referenčního stavu je rozdíl od normálního stavu detekován vzhledem k levelu abnormality od referenčního rozdělení. Nejprve je detekováno rozdělení dat normální vzorky (definované offline analýzou). Následně se posoudí v real-time diagnostice abnormalita porovnáním dat naměřených v reálném čase s normálními daty.

Na základě Mahalanobisové vzdálenosti, která je vypočtena podle rozdělení dat získaných z více senzorů, je posouzen level abnormality. Může tak být vyhodnocena normalita nebo abnormalita dat, které není možné posoudit dolní a horní hranicí dat z jednoho senzoru. Mahalanobisova vzdálenost dokáže kvantifikovat level abnormality, což umožňuje kvantitativně zjistit náznaky vznikajících chyb.

Odhad „neměřitelných věcí“ vícenásobnou regresní analýzou

Cílové data jako pevnost produktu, kterou nelze změřit, je odhadnuta na základě několika měřitelných dat ze senzorů. Nejprve je zadán predikci vzorec, který obsahuje cílové data. V offline analýze je vypočten na základě dat z více senzorů. Následně jsou predikované chyby a kvalita produktů na základě prediktivního vzorce s využitím real-time dat a real-time diagnostiky. Zlepšení kvality výroby a preventivní údržba je realizována předpovídáním dat, které jsou neměřitelné dokud se zařízení nebo produkt z výroby nepokazí a výsledky, které jsou neměřitelné dokud daný proces nastane.

Efektivní offline analýza v grafickém prostředí bez dodatečného programu

Filtrování dat založených na znalostech o výrobních zařízeních a statistických metodách je nezbytné pro analyzování vysokého množství dat shromážděných ve výrobě a vytvoření diagnostických pravidel založených na výsledcích analýzy. Real-time data analyzér poskytuje funkce jako zobrazení funkcí dat, grafickou analýzu, diagnostiku dat bez programu. Díky možnosti použití v každém kroku offline analýzy je práce s analytickými daty mnohem efektivnější.

Zobrazení různých křivek pro zkontrolování trendu a filtrování dat

Pro analýzu dat z výroby je důležité kontrolovat data ze stanovišť vzhledem k povaze výroby a znalosti o jednotlivých zařízeních. Stisknutím tlačítka se přepína několik módů zobrazení dat a konverzních obrazovek. Data mohou být jednoduše extrahovány, díky čemuž je filtrování a kontrola trendů dat efektivnější.

Analýza dat optimální diagnostickou metodou

Nejvhodnější statistická metoda je vybrána z množství analytických metod vzhledem k charakteristice dat. Pokročilé statistické metody jako AI analýza, Mahalanobis-Taguchi systém a vícenásobná regresní analýza jsou prováděny upřesněním cílových dat analýzy s grafickými operacemi.

Generování diagnostických pravidel bez programování

Diagnostické pravidla mohou být generovány bez programování jednoduchým zadáním parametrů, vzhledem k diagnostické metodě. Generování diagnostických pravidel je jednoduché, umožňuje flexibilní přezkoušení pro určení nejvhodnějších diagnostických pravidel.

Vyhodnocení diagnostických pravidel bez ovlivnění zařízení

Vyhodnocení validity diagnostických pravidel je prováděno v offline režimu s použitím již nasbíraných dat ještě před uskutečněním real-time diagnostiky s aktuálními zařízeními. Vyhodnocení diagnostických pravidel a ladění je možné bez ovlivnění výrobních zařízení.