moneo DataScience Toolbox – kunstig intelligens
Hvad er SmartLimitWatcher?
SmartLimitWatcher er det første værktøj i moneo Data Science Toolbox, der indeholder løsninger til produktion baseret på kunstig intelligens. Brugere drager fordel af den permanente overvågning af den kritiske procesværdi (målvariabel) mht. produktionskvalitet eller anlægstilstand (f.eks. temperatur, flow, vibration, strømforbrug). Anormaliteter i målvariablen detekteres automatisk på et tidligt tidspunkt.
SmartLimitWatcher er indstillet til at bruge historiske data, hvilket giver mulighed for en permanent, pålidelig nominel/faktisk-sammenligning af den målte og den forventede målværdi. Den yderligere beregning af dynamiske forventningsrammer (konfidensbånd) for målvariablen giver mulighed for permanent evaluering af målvariablens målte adfærd og automatisk indikering af afvigelser.
I modsætning til statisk overvågning af procesværdier afhænger grænseværdierne ved dynamisk overvågning af grænseværdier af maskinens eller systemets aktuelle procestilstand. Support-variabler beskriver maskinens eller systemets procestilstand. De dynamiske grænseværdier beregnes ved hjælp af en matematisk model, der er baseret på disse support-variabler. En advarsel eller alarm aktiveres automatisk i tilfælde af en afvigelse (anomali).
Forskellen mellem statisk og dynamisk procesovervågning
Forudsætning for vellykket brug af SmartLimitWatcher
- Mindst 2 procesværdier er nødvendige:
- Én procesvariabel som målvariablen, der skal overvåges
- Mindst én anden procesværdi, der anvendes som support-variabel
- Den tilgængelige datahistorik bør indeholde tilstrækkelige påkrævede driftstilstande. (Alle cyklusser i en proces bør være registreret adskillige gange. Dette er vigtigt for anvendelser som f.eks. filtre osv.)
- Processen, der skal overvåges, skal have et procesforhold (ikke-lineært/lineært) mellem målvariablen og support-variablerne. Dette forhold skal være beskrevet på passende vis ved hjælp af de tilgængelige data. På grund af alt dette, er alle mekanisk koblede systemer velegnede. (De underliggende procesforhold behøver ikke at kunne beskrives ved hjælp af en formel.)
- Procesforholdet, der blev indlært til overvågning, skal også være gyldigt fremover. (Eksempel: Ændringer af systemet, der skal overvåges, kræver ny indlæring)
- Der må ikke anvendes "kunstige" og evt. beregnede support-variabler, der stammer fra målvariablen, til overvågning af målvariablen.
- Der må som følge deraf ikke være en for stor forsinkelse mellem ændringen af målvariablens værdi og support-variablernes. (Eksempel: langsomme termodynamiske reaktioner)
- Der bør ikke tages højde for processer med meget "støjende" målte værdier, fordi der i dette tilfælde ikke kan indlæres en præcis model.
Anvendelsesområder
SmartLimitWatchers AI kan bruges på forskellige måder til overvågning af processer. På den ene side til overvågning af sammenlignelige maskinkomponenter, og på den anden side til overvågning af individuelle add-on dele eller målte variabler.
1. Horisontal anvendelse
Overvågning baseret på sammenlignelige maskinkomponenter.
Bemærkning til horisontal anvendelse
De tilsluttede maskinkomponenter er integreret i en proces eller i det samme anlæg og er fysisk afhængige af hinanden. Det er en fordel, at du kun skal bruge få sensorer eller målte værdier for at detektere afvigelser.
2. Vertikal anvendelse
Detaljeret overvågning af en komponent ved hjælp af flere målte værdier.
