moneo DataScience Toolbox – artificiell intelligens
Vad är SmartLimitWatcher?
SmartLimitWatcher är det första verktyget i moneo Data Science Toolbox, som erbjuder produktionslösningar baserade på artificiell intelligens. Användarna drar nytta av den permanenta övervakningen av det kritiska processvärdet (målvariabeln) med avseende på produktionskvalitet eller anläggningens tillstånd (t.ex. temperatur, flöde, vibrationer, strömförbrukning). Anomalier i målvariabeln upptäcks automatiskt och i ett tidigt skede.
SmartLimitWatcher tränas med hjälp av historiska data, vilket möjliggör en permanent, tillförlitlig jämförelse mellan mål/aktuellt värde och uppmätt och förutsagt målvärde. Den ytterligare beräkningen av dynamiska förväntningsområden (konfidensband) för målvariabeln gör det möjligt att permanent utvärdera målvariabelns uppmätta beteende och automatiskt ange avvikelser.
Till skillnad från statisk processvärdesövervakning beror gränsvärdena vid dynamisk gränsvärdesövervakning på maskinens eller systemets aktuella processtillstånd. Stödvariabler beskriver maskinens eller systemets processtillstånd. Med hjälp av en matematisk modell beräknas de dynamiska gränsvärdena utifrån dessa stödvariabler. Om en avvikelse (anomali) upptäcks utfärdas automatiskt en varning eller ett larm.
Skillnaden mellan statisk och dynamisk processövervakning
Förutsättningar för framgångsrik användning av SmartLimitWatcher
- Minst två processvärden är nödvändiga:
- En processvariabel som den målvariabel som ska övervakas
- Minst ett annat processvärde som används som stödvariabel
- Den tillgängliga datahistoriken behöver innehålla tillräckligt många nödvändiga drifttillstånd. (Alla cykler i en process behöver ha registrerats flera gånger. Detta är viktigt för tillämpningar som filter o.s.v.)
- Den process som ska övervakas måste ha ett processamband (icke-linjärt/linjärt) mellan målvariabeln och stödvariablerna. Detta förhållande måste beskrivas på lämpligt sätt med hjälp av tillgängliga data. Därför är alla mekaniskt kopplade system väl lämpade. (Det underliggande processförhållandet behöver inte kunna beskrivas med formler.)
- Processförhållandet som lärdes ut för övervakning måste också vara giltigt i framtiden. (Exempel: Förändringar av det system som ska övervakas kräver ny träning.)
- Inga "konstgjorda" stödvariabler är härledda från målvariabeln, t.ex. genom beräkning, får användas för att övervaka målvariabeln.
- Det bör därför inte finnas en alltför lång fördröjning mellan ändringen av värdet på målvariabeln och de stödjande variablerna. (Exempel: långsamma termodynamiska reaktioner)
- Inga processer med mycket "brus" i mätvärdena bör övervägas, eftersom det i sådana fall inte går att träna en exakt modell.
Applikationsområden
SmartLimitWatcherns AI kan användas på olika sätt för processövervakning. Dels för övervakning av jämförbara maskinkomponenter och dels för övervakning av enskilda tilläggsdelar eller uppmätta variabler.
1. Horisontell användning
Övervakning baserad på jämförbara maskinkomponenter.
Anmärkning om horisontell användning
De anslutna maskinkomponenterna är integrerade i en process eller i samma anläggning och det finns ett fysiskt beroende. En fördel är att du endast behöver ett fåtal givare eller mätvärden för att detektera avvikelser.
2. Vertikal användning
Detaljerad övervakning av en komponent med hjälp av flera mätvärden.
