moneo DataScience Toolbox – штучний інтелект
Що таке SmartLimitWatcher?
SmartLimitWatcher - це перший інструмент із moneo Data Science Toolbox, який пропонує рішення для виробництва на основі штучного інтелекту. Користувачі отримують вигоду від постійного моніторингу критичного значення процесу (цільової змінної) що стосується якості продукції або стану установки (наприклад, температури, потоку, вібрації, споживання струму). Аномалії в цільовій змінній виявляються автоматично і на ранній стадії.
SmartLimitWatcher навчається на основі історичних даних, що забезпечує постійне, надійне порівняння цільового/фактичного значення між виміряним і прогнозованим цільовим значенням. Додатковий розрахунок діапазонів динамічного очікування (довірчих інтервалів) для цільової змінної дозволяє постійно оцінювати виміряну поведінку цільової змінної, а також автоматично вказувати на відхилення.
На відміну від статичного моніторингу технологічних параметрів, при динамічному моніторингу граничних значень граничні значення залежать від поточного стану процесу машини або системи. Допоміжні змінні описують стан процесу машини або системи. За допомогою математичної моделі на основі цих допоміжних змінних розраховуються динамічні граничні значення. У разі відхилення (аномалії) автоматично видається попередження або сигнал тривоги.
Різниця між статичним і динамічним моніторингом процесів
Передумови для успішного використання SmartLimitWatcher
- Необхідно принаймні 2 значення процесу:
- Одна змінна процесу як цільова змінна для моніторингу
- Принаймні ще одне значення процесу, яке використовується як допоміжна змінна
- Доступна історія даних повинна містити достатню кількість необхідних робочих станів. (Усі цикли процесу мали бути записані кілька разів. Це важливо для таких застосувань, як фільтри тощо)
- Процес, що підлягає моніторингу, повинен мати зв'язок (нелінійний/лінійний) між цільовою змінною та допоміжними змінними. Цей взаємозв'язок має бути належним чином описаний наявними даними. Завдяки цьому добре підходять всі механічно з'єднані системи. (Взаємозв'язок, що лежить в основі процесу, не обов'язково має бути описаний за допомогою формул.)
- Взаємозв'язок між процесами, який вивчався для моніторингу, повинен бути дійсним і в майбутньому. (Приклад: Зміни в системі, що підлягає моніторингу, вимагають нового навчання.)
- Для моніторингу цільової змінної не можна використовувати "штучні" допоміжні змінні, отримані з цільової змінної, наприклад, шляхом розрахунку.
- Відповідно, не повинно бути занадто великої затримки між зміною значення цільової змінної та допоміжних змінних. (Приклад: повільні термодинамічні реакції)
- Не слід розглядати процеси з дуже "шумними" виміряними значеннями, оскільки в цьому випадку точну модель не можна навчити.
Сфери застосування
SmartLimitWatcher’s AI можна використовувати різними способами для моніторингу процесів. З одного боку, для моніторингу порівнянних компонентів машини, а з іншого - для моніторингу окремих додаткових деталей або вимірюваних параметрів.
1. Горизонтальне використання
Моніторинг на основі порівнянних компонентів машини.
Примітка щодо горизонтального використання
Підключені компоненти машини інтегровані в технологічний процес або в одну установку, і між ними існує фізична залежність. Перевага полягає в тому, що для виявлення аномалій вам потрібно лише кілька датчиків або виміряних значень.
2. Вертикальне використання
Детальний моніторинг компонента з використанням декількох виміряних значень.
