Optimización de la producción basada en IA con MLnext Procesos de producción eficientes y con ahorro de recursos gracias a la evaluación inteligente de datos
Los datos son la base de la digitalización, pero su uso y evaluación son cada vez más complejos debido al crecimiento de las redes y al aumento de los requisitos de seguridad. El tratamiento correcto de los datos es un componente esencial para la digitalización de las instalaciones de producción. 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.
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.
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
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).
MLnext Framework Implementación sencilla del análisis de datos
MLnext Framework es adecuado para los programadores de lenguajes de alto nivel, ya que permite una visión rápida y sencilla de los datos. De esta forma, los usuarios también se benefician de una rápida selección de los datos relevantes. En cumplimiento de las normas de seguridad de los datos actualmente vigentes, MLnext Framework ofrece una base de código abierto que puede ejecutarse en PLCnext Technology o en otras plataformas independientes del hardware.
La biblioteca de programación implementa constantemente una serie de (nuevos) enfoques derivados de los trabajos de investigación que se utilizan en la PLCnext Factory y que ya han permitido aumentar la productividad en un 10 %. También se podrían acortar los ciclos de aplicación. Todas las conclusiones se incorporarán al futuro diseño de las soluciones de MLnext.
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. El flujo de datos necesario se crea con los archivos de configuración. Se define el origen de los datos para poder realizar posteriormente el preprocesamiento, la predicción, el postprocesamiento, así como el almacenamiento de los conjuntos de datos. La intuitiva interfaz web monitoriza el comportamiento en runtime y proporciona información sobre la funcionalidad y los tiempos de ejecución.
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 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, se puede adaptar el archivo de configuración.
Producción inteligente y optimizada
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. Obtenga más información en el Infopaper.
