Página principal
Industrias y aplicaciones
Todas las aplicaciones de un vistazo
Optimización de la producción basada en IA con MLnext

Optimización de la producción basada en IA con MLnext Evaluación de datos inteligente para procesos de producción eficientes y con ahorro de recursos

Póngase en contacto con nosotros ahora

Inteligencia artificial representada de forma abstracta sobre fondo negro

La inteligencia artificial como impulsora de su producción

Los datos son la base de la digitalización, pero su manejo y evaluación son cada vez más complejos debido al crecimiento de las redes y al aumento de los requisitos de seguridad. El análisis de los sistemas de producción basado en datos permite una asistencia escalable y flexible para la gestión de la producción y el mantenimiento. Por ejemplo, para detectar a tiempo las anomalías en la fábrica, las soluciones de MLnext ofrecen la posibilidad de evaluar sus datos mediante Machine Learning y de realizar optimizaciones de forma rápida, sencilla y precisa.

Data Science

Disciplina para obtener información basada en datos mediante su evaluación y visualización.

Model

Resumen de los conocimientos y las acciones del algoritmo Machine Learning en un formato almacenable.

Domain Knowledge

Conocimientos sobre procesos de producción y máquinas.

Artificial Intelligence

Subcampo de la informática que toma el comportamiento humano como modelo para el tratamiento de datos.

Machine Learning

Obtención automática de conocimientos y acciones basados en los datos registrados.

Visualización de los datos de producción

Datos de producción de un vistazo en todo momento

Producción más sostenible gracias a la evaluación inteligente de los datos Recomendaciones de actuación basadas en IA para diseñar procesos de producción inteligentes

En la actualidad, encontramos ingentes cantidades de datos en las máquinas e instalaciones de producción. Constituyen la base para la aplicación de diversas soluciones de digitalización. Durante la evaluación, los datos permiten conocer los consumos de diversos recursos, por ejemplo, de aire (comprimido) o agua. La evaluación de los datos con Machine Learning ofrece una serie de ventajas en comparación con los análisis manuales de datos. Además de la evaluación automatizada de los datos, los usuarios se benefician en este punto de la escalabilidad de los procesos de producción completos. Además de una evaluación de datos automatizada y, por tanto, mucho más rápida, los usuarios se benefician de la escalabilidad de máquinas individuales, instalaciones completas e incluso procesos de producción enteros.

Con las soluciones inteligentes de MLnext, Phoenix Contact ofrece una forma sencilla de crear y utilizar modelos Machine Learning para la producción. Esto significa, por ejemplo, que las redes neuronales pueden utilizarse para detectar automáticamente problemas en los procesos de producción y vincularlos a recomendaciones de actuación. En la PLCnext Factory de Phoenix Contact ya se han logrado aumentos de la productividad del 10 % en muy poco tiempo mediante el uso de soluciones basadas en MLnext. Asimismo, podrían acortarse los ciclos de implantación de nuevas soluciones, lo que se traduciría en un retorno de la inversión (ROI) más rápido.

Un hombre con una tablet en la mano y MLnextlLogo

Sus ventajas Adaptado a su uso y aplicación específicos

MLnext ofrece varias ventajas:

Listo para usar: no requiere conocimientos previos, ya que las redes neuronales se crean automáticamente
Fácil: la parametrización en lugar de la programación permite una adaptación rápida y sin errores de la solución
Transparente: la creación y ejecución de modelos se registran y visualizan automáticamente
Óptimo: una comparación de modelos integrada e intuitiva permite identificar rápidamente el mejor modelo

Un empleado evalúa los datos de producción

Máxima flexibilidad con MLnext Del sistema de control hasta el uso en la nube

El modelo aprende qué medidas de optimización pueden utilizarse en función de las actividades de consumo previas. Los cambios actuales, como el descenso de la temperatura ambiente en una instalación, se tienen en cuenta automáticamente y se incluyen en la evaluación.

En la práctica, no hay límites para la aplicación de las soluciones MLnext. Los posibles ámbitos de aplicación podrían ser, por ejemplo, el mantenimiento predictivo o la optimización de procesos en instalaciones de producción.

Con las soluciones MLnext, la producción electrónica PLCnext Factory de Phoenix Contact ha automatizado por primera vez el uso de la inteligencia artificial cerca de la máquina. Esto permite registrar los estados de los componentes de la máquina con mayor facilidad. A partir de este resultado, en el futuro se llevarán a cabo nuevos análisis de datos para el mantenimiento basado en la condición (mantenimiento predictivo).

Múltiples posibilidades de uso de la IA con MLnext

MLnext Creation: en la senda hacia el Deep Learning totalmente automatizado

MLnext Creation permite crear y parametrizar las redes neuronales. Dado que la aplicación funciona con un archivo de configuración, no se requieren conocimientos de programación. Gracias al registro automático, todos los pasos del proceso se registran individualmente y se generan informes estandarizados. Para seleccionar la red neuronal óptima para la aplicación, también se pueden comparar rápidamente varios modelos entre sí. A partir de los informes, a continuación se puede adaptar el archivo de configuración de forma personalizada.

MLnext Execution: fácil programación y ejecución de algoritmos

MLnext Execution proporciona un software independiente de la plataforma para ejecutar redes neuronales. La solución puede utilizarse de forma flexible, ya sea en el nivel del sistema de control, en un servidor de IT local o en la nube. Las soluciones desarrolladas pueden probarse, mejorarse y compararse en el entorno preferido. El flujo de datos necesario se crea con los archivos de configuración.
Por defecto, la configuración incluye la carga de los datos, el preprocesamiento, la ejecución del modelo Machine Learning, el posprocesamiento y el almacenamiento de la nueva información. Las solicitudes pueden repetirse cíclicamente o establecerse a petición de una interfaz REST.

Además, se pueden desarrollar fácilmente nuevas soluciones en la misma plataforma sin interrumpir los procesos ya integrados. El usuario, el socio de servicio o los expertos de Phoenix Contact pueden realizar cambios de forma flexible.
La posibilidad de añadir flujos de datos durante el runtime ofrece a los usuarios un alto grado de flexibilidad.

MLnext Framework: implementación sencilla del análisis de datos

Para una visión rápida y sencilla de los datos, los programadores de lenguajes de alto nivel pueden recurrir a MLnext Framework. La biblioteca Python contiene una amplia gama de funciones para el preprocesamiento y la visualización de los datos de producción. Los distintos modelos también pueden compararse entre sí con ayuda de funciones de evaluación.

La biblioteca de programación se perfecciona constantemente y, por tanto, aplica sin cesar los últimos enfoques de la investigación. Esto significa que los desarrolladores para el análisis de series temporales de datos de producción siempre disponen de las opciones más actualizadas del estado de la técnica para poner en práctica sus ideas.

Descubrir potenciales ocultos en la fábrica Optimice la producción de forma inteligente

Tanto si se trata de la detección de anomalías, la localización de fugas o la optimización de procesos, con MLnext se pueden encontrar potenciales ocultos de forma fácil y precisa. Más información en nuestro Infopaper.

Descargar el Infopaper ahora

Descarga

Uso de MLnext en la producción

Utilice la versión de prueba para familiarizarse con MLnext.

Ir a la PLCnext Store