Det indhold, du ser på, er skræddersyet til Danmark. Se indhold for USA | Vælg et andet land

AI-baseret produktionsoptimering med MLnext Intelligent dataanalyse for ressourcebesparende og effektive produktionsprocesser

Kunstig intelligens afbildet abstrakt på en sort baggrund

Kunstig intelligens som et boost til din produktion

Data er grundlaget for digitaliseringen, men voksende netværk og øgede sikkerhedskrav betyder, at de bliver mere og mere komplekse i deres anvendelse og evaluering. Datadrevet analyse af produktionssystemer muliggør skalerbar og fleksibel support til produktionsstyringen og vedligeholdelsen. For f.eks. at opdage uregelmæssigheder på fabrikken i tide, giver løsningerne i MLnext mulighed for, gennem maskinel læring, at evaluere dine data samt at foretage optimeringer hurtigt, enkelt og præcist.

Kunstig intelligens
Data Science
Disciplin til at udlede information baseret på data gennem evaluering og visualisering.
Model
Sammenfatning af den maskinelle læringsalgoritmes viden og handlinger i et lagerbart format.
Domæneviden
Viden om produktionsprocesser og maskiner.
Kunstig intelligens
Underområde af datalogi, der tager menneskelig adfærd som en skabelon for databehandling.
Maskinel læring
Udled automatisk viden og handlinger baseret på registrerede data.
Visualisering af produktionsdata

Produktionsdata på et øjeblik til enhver tid

Mere bæredygtig produktion takket være intelligent dataanalyse AI-baserede anbefalinger til handling for design af smarte produktionsprocesser

I dag kan data findes i meget højt antal i en produktions maskiner og anlæg. De danner grundlaget for implementering af alle digitaliseringsløsninger. Når der skal evalueres, giver data f.eks. et indblik i forbruget af forskellige ressourcer som (tryk-)luft og vand. Evalueringen af ​​data baseret på maskinlæring giver en række fordele sammenlignet med manuel dataanalyse. Ud over automatiseret dataevaluering kan brugerne her drage fordel af skalerbarheden for hele produktionsprocesser. Ud over den automatiserede og dermed meget hurtigere dataevaluering drager brugerne fordel af skalerbarheden af individuelle maskiner, komplette systemer og endda hele produktionsprocesser.

Med de smarte løsninger fra MLnext tilbyder Phoenix Contact en nem måde at skabe og bruge maskinelle læringsmodeller til produktion. Det betyder for eksempel, at neurale netværk kan bruges til automatisk at finde problemer i produktionsprocesser og forbinde dem med anbefalinger til handling. I Phoenix Contacts PLCnext Factory er der allerede opnået produktivitetsstigninger på 10 % på meget kort tid ved brug af MLnext-baserede løsninger. På samme måde kan man opnå kortere implementeringscyklusser for nye løsninger, hvilket resulterer i et hurtigere investeringsafkast (ROI).

Mand med tablet i hånden og MLnextlLogo

Dine fordele Afstemt efter din anvendelsessituation og din applikation

Med MLnext nyder du godt af forskellige fordele:

  • Klar til brug – ingen forudgående viden påkrævet, da neurale netværk oprettes automatisk
  • Enkel – parametrering i stedet for programmering muliggør fejlfri og hurtig tilpasning af løsningen
  • Gennemsigtig – oprettelse og udførelse af modeller logges og visualiseres automatisk
  • Optimal – en integreret, intuitiv modelsammenligning gør det muligt hurtigt at identificere den bedste model
Medarbejder evaluerer produktionsdata

Maksimal fleksibilitet med MLnext Fra styring til anvendelse i skyen

Baseret på tidligere forbrugsaktiviteter lærer modellen, hvilke optimeringstiltag der kan anvendes. Aktuelle ændringer, såsom f.eks. et fald i omgivelsestemperaturen i et anlæg, tages automatisk i betragtning og inkluderes i evalueringen.

I praksis kender anvendelsen af MLnext-løsninger ingen grænser. Mulige anvendelsesområder kunne f.eks. være forudsigelig vedligeholdelse eller procesoptimering af produktionsanlæg.

Elektronikproduktionen PLCnext Factory fra Phoenix Contact har med MLnext-løsningerne for første gang realiseret den maskinrelaterede brug af kunstig intelligens i stor skala. Som et resultat heraf har det været lettere at registrere ​​tilstanden for komponenterne i maskinen siden da. Baseret på dette resultat vil der i fremtiden blive udført yderligere dataanalyser til tilstandsbaseret vedligeholdelse (predictive maintenance).

Flere muligheder for brug af AI med MLnext

Ikon til MLnext Creation
3dbdf1e3b61f914293b72e2f694be0cf
MLnext Framework
Ikon til MLnext Creation

MLnext Creation muliggør oprettelse og parametrering af neurale netværk. Da applikationen fungerer på basis af en konfigurationsfil, kræves ingen programmeringskendskab. På grund af den automatiske logning registreres alle bearbejdningstrin individuelt og genererer standardiseret rapportering. Når det optimale neurale netværk til applikationen skal vælges, kan flere modeller også hurtigt sammenlignes med hinanden. Konfigurationsfilen kan derefter individualiseres på baggrund af rapporterne.

3dbdf1e3b61f914293b72e2f694be0cf

MLnext Execution leverer software, der er uafhængig af platformen, til at udføre neurale netværk. Løsningen kan bruges fleksibelt – hvad enten det er på kontrolniveau, en lokal IT-server eller i Cloud. Udviklede løsninger kan testes, forbedres og sammenlignes i det foretrukne miljø. Det nødvendige dataflow skabes her af konfigurationsfilerne.
Som standard omfatter konfigurationen indlæsning af data, forbehandling, kørsel af den maskinelle læringsmodel, efterbehandling og lagring af de nye oplysninger. Anmodninger kan enten gentages cyklisk eller indstilles efter behov af en REST-grænseflade.

Derudover kan nye løsninger nemt udvikles på samme platform uden at afbryde de allerede integrerede processer. Ændringer kan foretages fleksibelt af brugeren, servicepartneren eller eksperterne fra Phoenix Contact.
Muligheden for at supplere datastrømme under kørsel giver brugerne en høj grad af fleksibilitet.

MLnext Framework

MLnext Framework er velegnet til at skabe et hurtigt og enkelt overblik over dataene ved hjælp af avanceret programmeringssprog. Python-biblioteket indeholder en bred vifte af funktioner til forbehandling og visualisering af produktionsdata. Forskellige modeller kan også sammenlignes med hinanden ved hjælp af evalueringsfunktioner.

Programmeringsbiblioteket bliver konstant videreudviklet og implementerer derfor hele tiden de nyeste tilgange fra forskningen. Det betyder, at udviklere til analyse af tidsseriedata fra produktionen altid har de mest opdaterede state-of-the-art muligheder for at implementere deres ideer.

Opdagelse af skjult potentiale på fabrikken Optimér produktionen på en smart måde nu

Uanset om det drejer sig om registrering af afvigelser, lokalisering af lækager eller optimering af processer, kan skjult potentiale nemt og målrettet findes med MLnext. Læs mere i vores infopaper.

Download
Anvend MLnext i din produktion

Brug prøveversionen til at blive fortrolig med MLnext.

Til PLCnext Store
MLnext-logo