MLnext Creation permet de créer et de paramétrer les réseaux neuronaux. Comme l'application fonctionne sur la base d'un fichier de configuration, aucune connaissance en programmation n'est nécessaire. Grâce à la journalisation automatique, toutes les étapes de traitement sont enregistrées individuellement et génèrent un rapport standardisé. Afin de choisir le réseau neuronal optimal pour le cas d'application, il est également possible de comparer rapidement plusieurs modèles entre eux. Sur la base des rapports, le fichier de configuration peut ensuite être individualisé.
Optimisation de la production basée sur l'IA avec MLnext Analyse intelligente des données pour des processus de production efficaces et respectueux des ressources
L'intelligence artificielle comme booster de votre production
Les données sont le fondement de la numérisation, mais leur traitement et leur analyse deviennent de plus en plus complexes en raison de la croissance des réseaux et des exigences accrues en matière de sécurité. Une analyse des systèmes de production axée sur les données permet d'apporter un soutien évolutif et flexible à la gestion de la production et à la maintenance. Pour détecter à temps des anomalies dans l'usine, par exemple, les solutions de MLnext vous permettent d'évaluer vos données grâce à l'apprentissage automatique et de procéder à des optimisations de manière rapide, simple et précise.
Les données de production toujours à portée de main
Produire plus durablement grâce à une analyse intelligente des données Recommandations d'action basées sur l'IA pour la conception de process de production intelligents
De nos jours, les données se retrouvent en nombre incalculable dans les machines et les installations d'une production. Elles constituent la base de la mise en œuvre de toutes les solutions de numérisation. Lorsqu'il s'agit d'évaluer, les données donnent par exemple un aperçu de la consommation de différentes ressources, comme l'air (comprimé) et l'eau. L'analyse des données sur la base de l'apprentissage automatique offre de nombreux avantages par rapport à l'analyse manuelle des données. En plus d'une évaluation automatisée des données, les utilisateurs peuvent profiter à ce stade de l'évolutivité pour des process de production entiers. En plus d'une évaluation automatisée et donc beaucoup plus rapide des données, les utilisateurs profitent ici de l'évolutivité des machines individuelles, des installations complètes et des processus de production entiers.
Avec les solutions intelligentes de MLnext, Phoenix Contact offre un moyen simple de créer et d'utiliser des modèles d'apprentissage automatique pour la production. Cela permet par exemple d'utiliser des réseaux neuronaux pour trouver automatiquement les problèmes dans les processus de production et de les associer à des recommandations d'action. Dans la PLCnext Factory de Phoenix Contact, l'utilisation de solutions basées sur MLnext a déjà permis de réaliser des gains de productivité de l'ordre de 10 % en très peu de temps. Il serait également possible de réaliser des cycles de mise en œuvre plus courts pour les nouvelles solutions, ce qui se traduirait par un retour sur investissement (ROI) plus rapide.
Avantages Adapté à votre cas d'utilisation et à votre application
Avec MLnext, vous bénéficiez de plusieurs avantages :
- Prêt à l'emploi - aucune connaissance préalable n'est nécessaire car les réseaux neuronaux sont créés automatiquement
- Simple - le paramétrage plutôt que la programmation permet une adaptation rapide et sans erreur de la solution
- Transparent - la création et l'exécution du modèle sont automatiquement consignées et visualisées
- Optimal - un comparateur de modèles intégré et intuitif permet d'identifier rapidement le meilleur modèle
Flexibilité maximale avec MLnext De l'automate à l'utilisation dans le cloud
Le modèle apprend quelles mesures d'optimisation peuvent être mises en place sur la base des activités de consommation passées. Les changements actuels, comme par exemple la baisse de la température ambiante sur une installation, sont automatiquement pris en compte et intégrés dans l'évaluation.
Dans la pratique, il n'existe aucune limite à l'utilisation des solutions MLnext. Les domaines d'application possibles peuvent être par exemple la maintenance prévisionnelle ou l'optimisation des processus des installations de production.
La production électronique PLCnext Factory de Phoenix Contact a réalisé pour la première fois à grande échelle l'utilisation de l'intelligence artificielle à proximité des machines grâce aux solutions MLnext. Au final, l'état des composants à l'intérieur de la machine est depuis lors plus facile à saisir. Sur la base de ce résultat, d'autres analyses de données seront effectuées à l'avenir pour une maintenance conditionnelle (Predictive Maintenance).
De nombreuses possibilités d'utilisation de l'IA avec MLnext
Avec MLnext Execution, un logiciel indépendant de la plateforme est mis à disposition pour l'exécution de réseaux neuronaux. La solution peut être utilisée de manière flexible, que ce soit au niveau de commande, sur un serveur informatique local ou dans le cloud. Les solutions développées peuvent être testées, améliorées et comparées dans l'environnement préféré. Le flux de données nécessaire est créé ici par les fichiers de configuration.
La configuration comprend par défaut le chargement des données, le prétraitement, l'exécution du modèle d'apprentissage automatique, le post-traitement et le stockage des nouvelles informations. Les demandes peuvent être répétées de manière cyclique ou configurées à la demande d'une interface REST.
De plus, de nouvelles solutions peuvent être facilement développées sur la même plateforme, sans interrompre les process déjà intégrés. Les modifications sont possibles de manière flexible par l'utilisateur, le partenaire de service ou les experts de Phoenix Contact.
La possibilité d'ajouter des flux de données pendant la durée d'exécution offre aux utilisateurs une grande flexibilité.
Pour un aperçu rapide et simple des données, les programmeurs en langage évolué peuvent faire appel à MLnext Framework. La bibliothèque Python contient une multitude de fonctions pour le prétraitement et la visualisation des données de production. Il est également possible de comparer différents modèles à l'aide de fonctions d'évaluation.
La bibliothèque de programmation est constamment développée et intègre ainsi les dernières approches issues de la recherche. Ainsi, les développeurs qui analysent les données de séries temporelles de la production disposent toujours des possibilités « state of the art » les plus récentes pour mettre en œuvre leurs idées.
Découvrir les potentiels cachés de l'usine Optimiser intelligemment la production dès maintenant
Qu'il s'agisse de la détection d'anomalies, de la localisation de fuites ou de l'optimisation des processus, MLnext permet de découvrir des potentiels cachés de manière simple et ciblée. Apprenez-en davantage dans notre Infopaper.