Det indhold, du ser på, er skræddersyet til Danmark. Se indhold for USA | Vælg et andet land
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.
Produktionsdata på et øjeblik til enhver tid
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).
Med MLnext nyder du godt af forskellige fordele:
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).
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.
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 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.
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.
