moneo DataScience Toolbox: Inteligencia Artificial
¿Qué es SmartLimitWatcher?
SmartLimitWatcher es la primera herramienta de moneo Data Science Toolbox que ofrece soluciones basadas en inteligencia artificial para la producción. Los usuarios se benefician de la monitorización permanente de la variable crítica del proceso (variable objetivo) con respecto a la calidad de la producción o al estado de la instalación (p. ej., temperatura, caudal, vibración, consumo de corriente). Las anomalías en las variables objetivo se detectan automáticamente y en una fase temprana.
El SmartLimitWatcher se entrena con la ayuda de datos históricos, lo que permite una comparación permanente y fiable entre las variables objetivo medidas y las previstas. El cálculo adicional de rangos de expectativas dinámicas (bandas de fiabilidad) para la variable objetivo permite la evaluación permanente del comportamiento medido de la magnitud de destino, así como la visualización automática de las desviaciones.
A diferencia de la monitorización estática de los valores del proceso, en la monitorización dinámica de los valores límite estos dependen del estado actual del proceso de la máquina o instalación. Las variables auxiliares describen el estado del proceso de la máquina o instalación. Mediante un modelo matemático, se calculan los valores límite dinámicos con la ayuda de estas variables auxiliares. En caso de desviación (anomalía), se emite automáticamente un aviso o una alarma.
Diferencia entre la monitorización estática y dinámica del proceso
Requisitos previos para una utilización adecuada de SmartLimitWatcher
- Son necesarias al menos 2 variables del proceso:
- Una variable del proceso como variable objetivo para monitorizar
- Al menos otra variable del proceso como variable auxiliar
- El historial de datos disponible debe contener suficientes estados de funcionamiento previstos. (Todos los ciclos de un proceso deben registrarse varias veces. Esto es importante para aplicaciones de filtros o similares).
- El proceso que se va a monitorizar debe tener una relación de proceso (no lineal/lineal) entre la variable objetivo y las variables auxiliares. Esta correlación debe quedar plasmada adecuadamente a través de los datos disponibles. Por lo tanto, todos los sistemas acoplados mecánicamente son muy adecuados. (La relación del proceso subyacente no debe poder describirse mediante fórmulas).
- La relación del proceso que se aprendió para la monitorización también debe ser válida en el futuro. (Ejemplo: los cambios en el sistema que se va a monitorizar requieren un nuevo entrenamiento).
- No se podrán utilizar variables auxiliares "artificiales" derivadas de la variable objetivo, por ejemplo, mediante cálculos, para monitorizar la variable objetivo.
- En consecuencia, no debe haber un retraso demasiado largo entre el cambio de valor de las variables objetivo y el de las variables auxiliares. (Ejemplo: reacciones termodinámicas lentas)
- No se deben considerar procesos con valores de medición con "mucho ruido", ya que en este caso no se puede entrenar un modelo preciso.
Aplicaciones posibles
La inteligencia artificial de SmartLimitWatcher puede utilizarse de diferentes maneras para la monitorización de procesos. Por un lado, para la supervisión de componentes comparables de la máquina o para la monitorización de piezas adicionales o variables individuales.
1. Uso horizontal
Monitorización utilizando componentes comparables de la máquina.
Nota para el uso horizontal
Los componentes de la máquina conectados están integrados en un proceso o en la misma instalación y dependen físicamente unos de otros. La ventaja es que solo se necesitan unos pocos sensores o valores de medición para detectar anomalías.
2. Uso vertical
Monitorización detallada de un componente con varios valores de medición.
