moneo DataScience Toolbox – L’intelligence artificielle
Qu’est-ce que SmartLimitWatcher?
SmartLimitWatcher est le premier outil de moneo Data Science Toolbox, qui offre des solutions pour la production se basant sur l’intelligence artificielle. Les utilisateurs bénéficient d’une surveillance permanente de la variable de process critique (variable cible) en relation avec la qualité de la production ou avec l’état de l’installation (par ex. température, débit, vibration, consommation de courant). Les anomalies des variables cibles sont détectées automatiquement et de manière précoce.
SmartLimitWatcher réalise un apprentissage au moyen de données historiques, ce qui permet une comparaison permanente et fiable entre les valeurs mesurées et les valeurs cibles anticipées (ou calculées). Le calcul complémentaire des plages de confiance de la variable cible permet d’évaluer en continu le comportement mesuré de la valeur cible et ainsi d’afficher automatiquement les écarts.
Contrairement à la surveillance statique de valeurs process, lors de la surveillance dynamique des valeurs limites, celles-ci dépendent de l’état actuel du process de la machine ou de l’installation. Les variables auxiliaires décrivent l’état du process de la machine ou de l’installation. Au moyen d’un modèle mathématique, ces variables auxiliaires permettent de calculer les valeurs limites dynamiques. En cas d’écart (anomalie), un avertissement ou une alarme est automatiquement généré.
Conditions pour la bonne utilisation de SmartLimitWatcher
- Au moins 2 valeurs process sont nécessaires:
- Une valeur process en tant que variable cible à surveiller
- Au moins une autre valeur process en tant que variable auxiliaire
- L’historique de données disponible doit contenir suffisamment d’états de fonctionnement souhaités. (Tous les cycles d’un process doivent être enregistrés plusieurs fois. C’est important pour les applications telles que les filtres, etc.)
- Le process à surveiller doit présenter une relation de process (non linéaire/linéaire) entre la variable cible et les variables auxiliaires. Cette relation doit être identifiée correctement par l’intermédiaire des données disponibles. Tous les systèmes couplés mécaniquement sont donc appropriés. (Il n’est pas nécessaire d’y décrire la relation de process de base par des formules.)
- La relation de process apprise pour la surveillance doit aussi être valable dans le futur. (Exemple: des modifications du système à surveiller nécessitent un nouvel apprentissage.)
- Pour la surveillance des variables cibles, il ne faut utiliser aucune variable auxiliaire «artificielle» découlant des variables cibles, par ex. par calcul.
- Entre le changement de la valeur des variables cibles et celui de la valeur des variables auxiliaires, le délai ne doit pas être trop long. (Exemple: réactions thermodynamiques lentes)
- Il ne faut pas prendre en compte les process dont les valeurs mesurées sont très «perturbées», car dans ce cas il n’est pas possible d’apprendre un modèle précis.
Applications
L’IA du SmartLimitWatcher peut être utilisée de différentes manières pour surveiller les process. D’une part, pour surveiller des composants de machines comparables et d’autre part pour surveiller des outils ou des unités de mesure individuels.
1. Utilisation horizontale
Surveillance à l’aide de composants de machine comparables.
Remarque sur l’utilisation horizontale
Les composants de machine connectés sont intégrés dans un process ou dans la même installation et sont physiquement dépendants les uns des autres. L’avantage est que vous n’avez besoin que de quelques capteurs ou valeurs de mesure pour détecter des anomalies.
2. Utilisation verticale
Surveillance détaillée d’un composant avec plusieurs valeurs de mesure.