Sisällöt, joita tarkastelet, on räätälöity kohteelle Suomi. Tarkastele sisältöjä kohteesta Yhdysvallat | Valitse toinen maa
Tiedot ovat digitalisaation perusta, vaikkakin niiden käsittelystä ja analysoinnista tulee kasvavien verkkojen ja suurempien turvallisuusvaatimusten myötä yhä monimutkaisempaa. Tuotantojärjestelmien tietolähtöinen analyysi mahdollistaa skaalautuvan ja joustavan tuen tuotannon hallinnalle ja kunnossapidolle. Jotta tehtaassa ilmenevät poikkeavuudet voidaan tunnistaa ajoissa, MLnext-ratkaisut mahdollistavat tietojen analysoinnin koneoppimisen avulla sekä optimoinnin suorittamisen nopeasti, helposti ja tarkasti.
Tuotantotiedot aina yhdellä silmäyksellä
Nykyään tuotannon koneissa ja järjestelmissä on lukematon määrä tietoja. Ne muodostavat perustan kaikkien digitalisaatioratkaisujen toteuttamiselle. Kun kyse on analysoinnista, tiedot antavat käsityksen eri resurssien, kuten (paine)ilman tai veden kulutuksesta. Tietojen analysointi koneoppimisen perusteella tarjoaa lukuisia etuja manuaalisiin tietoanalyyseihin verrattuna. Automaattisen tietojen analysoinnin lisäksi käyttäjät voivat hyötyä tässä skaalattavuudesta koko tuotantoprosessien osalta. Automaattisen ja siten paljon nopeamman tietojen analysoinnin lisäksi käyttäjät hyötyvät tässä yksittäisten koneiden, kokonaisten järjestelmien ja jopa kokonaisten tuotantoprosessien skaalautuvuudesta.
MLnextin älykkäiden ratkaisujen avulla Phoenix Contact tarjoaa helpon tavan luoda ja käyttää koneoppimismalleja tuotantoa varten. Tämä tarkoittaa esimerkiksi sitä, että neuroverkkoja voidaan käyttää tuotantoprosessien ongelmien automaattiseen löytämiseen ja niiden yhdistämiseen toimenpidesuosituksiin. Phoenix Contactin PLCnext Factoryssa on jo lyhyessä ajassa saavutettu 10 prosentin tuottavuuden lisäys MLnext-pohjaisten ratkaisujen avulla. Samoin uusien ratkaisujen toteutusjaksot voisivat lyhentyä, mikä nopeuttaisi sijoitetun pääoman tuottoa (Return on investment, ROI).
MLnext tuo mukanaan erilaisia hyötyjä:
Malli oppii aikaisempien kulutustoimien perusteella, mitä optimointitoimenpiteitä voidaan käyttää. Nykyiset muutokset, kuten esimerkiksi ympäristön lämpötilan laskeminen järjestelmässä, otetaan huomioon automaattisesti, ja ne siirtyvät analysoitaviksi.
Käytännössä MLnext-ratkaisujen käytölle ei ole olemassa rajoja. Mahdollisia käyttöalueita voivat olla esimerkiksi ennakoiva kunnossapito tai tuotantolaitosten prosessien optimointi.
Phoenix Contactin elektroniikkatuotanto PLCnext Factory on MLnext-ratkaisuillaan toteuttanut ensimmäisen kerran kattavasti konetta lähellä olevan tekoälyn käytön. Tämän tuloksena koneen sisällä olevien komponenttien tila voidaan tunnistaa helpommin. Tämän tuloksen perusteella tehdään tulevaisuudessa lisää data-analyysejä tilaan perustuvaa kunnossapitoa (ennakoivaa huoltoa) varten.
MLnext Creation mahdollistaa neuroverkkojen muodostamisen ja parametrien määrityksen. Koska sovellus toimii konfigurointitiedoston pohjalta, ohjelmointitaitoja ei vaadita. Automaattisen kirjaamisen avulla kaikki työstövaiheet rekisteröidään erikseen, ja niistä tuotetaan standardoitu raportointi. Jotta voidaan valita käyttökohteeseen optimaalinen neuroverkko, useita malleja voidaan myös vertailla keskenään nopeasti. Sen jälkeen konfigurointitiedosto voidaan räätälöidä raporttien pohjalta.
MLnext Execution on alustasta riippumaton ohjelmisto neuroverkkojen toteuttamiseen. Ratkaisua voidaan käyttää joustavasti – ohjaustasolla, paikallisella IT-palvelimella tai pilvessä. Kehitettyjä ratkaisuja voidaan testata, parantaa ja vertailla halutussa ympäristössä. Tarvittava tietovirta muodostetaan tässä konfigurointitiedostojen avulla.
Oletusarvoisesti konfiguraatioon kuuluu tietojen lataaminen, esikäsittely, koneoppimismallin suorittaminen, jälkikäsittely ja uusien tietojen tallentaminen. Pyyntöjä voidaan joko toistaa sykleittäin tai asettaa REST-liitännän tarpeen mukaan.
Lisäksi uusia ratkaisuja voidaan kehittää helposti samalla alustalla keskeyttämättä jo liitettyjä prosesseja. Käyttäjä, huoltokumppani tai Phoenix Contactin asiantuntijat voivat tehdä muutoksia joustavasti.
Mahdollisuus täydentää tietovirtoja käyttöajan kuluessa tuo käyttäjille joustavuutta.
MLnext Framework soveltuu korkean tason kielellä ohjelmoiville antamaan nopean ja helpon yleiskuvan tiedoista. Python-kirjasto sisältää laajan valikoiman toimintoja tuotantotietojen esikäsittelyyn ja visualisointiin. Eri malleja voidaan myös verrata toisiinsa analysointitoimintojen avulla.
Ohjelmointikirjastoa kehitetään jatkuvasti edelleen, joten siinä sovelletaan jatkuvasti uusimpia tutkimustuloksia. Tämä tarkoittaa sitä, että tuotannosta saatavien aikasarjatietojen analysointia varten kehittäjillä on aina käytettävissään ajantasaisimmat ja uusimmat mahdollisuudet ideoidensa toteuttamiseen.
Olipa kyseessä sitten anomalioiden havaitseminen, vuotojen paikantaminen tai prosessien optimoiminen, MLnext-ratkaisun avulla löydät piilopotentiaalin helposti ja tarkoituksenmukaisesti. Lue lisää infojulkaisustamme.
