Real-time data analyzer pre MELIPC

Real-time diagnostika a offline analýza zlepší produkciu v reálnom čase

V priemyselnej automatizácii je dôležité zistiť príznaky chýb vzniknutých vo výrobných dátach v reálnom čase, pre rýchle zrealizovanie korekcií. V real-time diagnostike sú dáta diagnostikované kontinuálne prostredníctvom AI. Výsledok je ihneď vrátený do výrobných strojov. Real-time diagnostika v reálnom čase s vysokou presnosťou a presnými diagnostickými pravidlami vyhodnocuje chyby na základe dát z minulosti a znalostiach o druhu výroby a použitých zariadeniach. Offline analýza uskutočňuje efektívnu analýzu prebiehajúcu v grafickom prostredí s využitím pokročilejších analytických metód.

Analytické a diagnostické metódy

Rozpoznanie podobných kriviek a zistenie odchýlenia od normálneho stavu (AI Technológia)

Rozpoznanie odchýliek kriviek od normálneho stavu prebieha s využitím AI, ktoré sa učí rozpoznávať podobné krivky. Na základe toho je realizovaná preventívna údržba a kontrola kvality bez spoliehania sa na individuálne znalosti. V offline analýze sa AI naučí krivky, ktoré sú pre danú aplikáciu a operácie normálne. Následne v real-time diagnostike AI porovná real-time krivky s normálnymi, ktoré sa naučilo. Vyhodnotí, či vyhovujú alebo nevyhovujú normálnym hodnotám. Vďaka AI sú rozpoznateľné i znaky abnormality, ktoré nie je možné rozpoznať jednoduchým posúdeným horných a dolných hraníc.

Softvér Real-time data analyzer – Analýza dáta a štatistické nástroje

Rozpoznanie vychýlenia od normálneho stavu Mahalanobis-Taguchi systémom

Použitím rozdelenia dát normálnej operácie ako referenčného je rozdiel od normálneho stavu detekovaný vzhľadom na level abnormality od referenčného rozdelenia. Najprv je detekované rozdelenie dát normálnej vzorky (definované offline analýzou). Následne sa posúdi v real-time diagnostike abnormalita porovnaním dát nameraných v reálnom čase s normálnymi dátami.

Na základe Mahalanobisovej vzdialenosti, ktorá je vypočítaná podľa rozdelenia dát získaných z viacerých senzorov, je posúdený level abnormality. Môže tak byť vyhodnotená normalita alebo abnormalita dát, ktoré nie je možné posúdiť dolnou a hornou hranicou dát z jedného senzora. Mahalanobisova vzdialenosť dokáže kvantifikovať level abnormality, čo umožňuje kvantitatívne zistiť náznaky vznikajúcich chýb.

Odhad “nemerateľných vecí” viacnásobnou regresnou analýzou

Cieľové dáta ako pevnosť produktu, ktorú nie je možné odmerať, je odhadnutá na základe viacerých merateľných dát zo senzorov. Najprv je zadaná prediktívny vzorec, ktorý obsahuje cieľové dáta. V offline analýze je vypočítaný na základe dát z viacerých senzorov. Následne sú predikované chyby a kvalita produktov na základe prediktívneho vzorca s využitím real-time dát a real-time diagnostiky. Zlepšenie kvality výroby a preventívna údržba je realizovaná predpovedaním dát, ktoré sú nemerateľné kým sa zariadenie alebo produkt výroby nepokazí a výsledky, ktoré sú nemerateľné kým daný proces nastane.

Efektívna offline analýza v grafickom prostredí bez dodatočného programu

Filtrovanie dát založených na znalostiach o výrobných zariadeniach a štatistických metódach je nevyhnutné pre analyzovanie vysokého množstva dát zozbieraných vo výrobe a vytvorenie diagnostických pravidiel založených na výsledkoch analytiky. Real-time data analyzér poskytuje funkcie ako zobrazenie funkcií dát, grafickú analýzu, diagnostiku dát bez programu. Vďaka možnosti použitia v každom kroku offline analýzy je práca s analytickými dátami omnoho efektívnejšia.

Zobrazenie rôznych kriviek pre skontrolovanie trendu a filtrovanie dát

Pre analýzu dát z výroby je dôležité kontrolovať dáta z dôrnych stanovíšť vzhľadom na povahu výroby a znalosti o jednotlivých zariadeniach. Stláčaním tlačidiel sa prepínajú viaceré módy zobrazenia dát a konverzných obrazoviek. Dáta môžu byť jednoducho extrahované, vďaka čomu je filtrovanie a kontrola trendov dát efektívnejšia.

Analýza dát optimálnou diagnostickou metódou

Najvhodnejšia štatistická metóda je vybraná z množstva analytických metód vzhľadom na charakteristiku dát. Pokročilé štatistické metódy ako AI analýza, Mahalanobis-Taguchi systém a viacnásobná regresná analýza sú vykonávané špecifikovaním cieľových dát analýzy s grafickými operáciami.

Generovanie diagnostických pravidiel bez programovania

Diagnostické pravidlá môžu byť generované bez programovania jednoduchým zadaním parametrov, vzhľadom na diagnostickú metódu. Generovanie diagnostických pravidiel je jednoduché, umožňuje flexibilné preskúšanie pre určenie najvhodnejších diagnostických pravidiel.

Vyhodnotenie diagnostických pravidiel bez ovplyvnenia zariadení

Vyhodnotenie validity diagnostických pravidiel je vykonávané v offline režime s použitím už nazbieraných dát ešte pred uskutočnením real-time diagnostiky s aktuálnymi zariadeniami. Vyhodnotenie diagnostických pravidiel a ladenie je možné bez ovplyvnenia výrobných zariadení.