Med MLnext Creation kan man opprette og parametrisere nevronale nettverk. Fordi anvendelsen fungerer med utgangspunkt i en konfigurasjonsfil, er programmeringskunnskaper ikke nødvendig. Samtlige behandlingstrinn samles inn enkeltvis ved hjelp av den automatiske protokollføringen, og det genereres en standardisert rapport. For å velge det optimale nevronale nettverket for brukstilfellet til enhver tid kan man også sammenligne flere modeller raskt med hverandre. Med utgangspunkt i rapportene kan konfigurasjonsfilen deretter tilpasses.
AI-basert optimalisering av produksjonen med MLnext Effektive produksjonsprosesser med gjennomtenkt håndtering av ressurser ved hjelp av intelligent dataanalyse
Kunstig intelligens som booster for produksjonen din
Data er selve fundamentet for digitalisering, som følge av voksende nettverk og strengere sikkerhetskrav blir de likevel stadig mer komplekse å både håndtere og evaluere. Datadrevet analyse av produksjonssystemer tilrettelegger for skalerbar og fleksibel støtte av produksjonsstyringen og vedlikeholdet. For å gjenkjenne blant annet anomalier i fabrikken tidsnok gir løsningene med MLnext muligheten til å evaluere dataene dine via Machine-Learning og foreta optimaliseringer raskt, enkelt og helt nøyaktig.
Til enhver tid full oversikt over produksjonsdataene
Bærekaftig produksjon ved hjelp av smart evaluering av data AI-baserte handlingstiltak for utforming av smarte produksjonsprosesser
I dag finner man uendelig høye antall data i maskiner og anlegg i produksjoner. De utgjør grunnlaget for implementering av alle digitaliseringsløsninger. Når det gjelder evaluering, gir data f.eks. et innblikk i forbruk av forskjellige ressurser, som (trykk)luft og vann. Evaluering av dataene med utgangspunkt i Machine-Learning gir mange fordeler sammenlignet med manuelle dataanalyser. I tillegg til automatisert evaluering av data får brukerne her fordeler i form av skalerbarhet for komplette produksjonsprosesser. I tillegg til automatisert og dermed mye raskere analyse av data får brukerne her fordeler i form av skalerbarhet for enkelte maskiner, komplette anlegg og helt til fullstendige produksjonsprosesser.
Med de smarte løsningene til MLnext tilbyr Phoenix Contact en enkel mulighet for utforming og bruk av Machine-Learning-modeller for produksjonen. Dermed kan for eksempel nevronale nettverk brukes for å finne problemer i produksjonsprosesser automatisk og koble dem opp mot anbefalinger om tiltak. I PLCnext Factory fra Phoenix Contact har man ved å bruke MLnext-baserte løsninger allerede på meget kort tid oppnådd en produktivitetsøkning på 10 %. Kortere implementeringssykluser er også nådd, noe som gir en raskere Return-on-Investment (ROI).
Dine fordeler Tilpasset bruksområdet ditt og applikasjonen din
MLnext gir deg mange fordeler:
- Ready-to-Use – ingen forkunnskaper nødvendig, da nevronale nettverk opprettes automatisk
- Enkelt – parametrisering i stedet for programmering tilrettelegger feilfri og rask tilpasning av løsningen
- Transparent – oppretting og utføring av modeller protokollføres og vises automatisk
- Optimal – en integrert, intuitiv sammenligning av modeller tilrettelegger for rask identifisering av de beste modellene
Optimal fleksibilitet med MLnext Fra kontroller til bruk i skyen
Med utgangspunkt i tidligere forbruksaktivitet lærer modellen hvilke optimaliseringstiltak som kan benyttes. Foreliggende endringer som f.eks. synkende omgivelsestemperatur i et anlegg, hensyntas automatisk, og flyter inn i evalueringen.
I praksis er det ingen grenser for hvordan MLnext-løsningene kan benyttes. Potensielle bruksområder er f.eks. forutseende vedlikehold og optimalisering av prosesser i produksjonsanlegg.
Med MLnext-løsningene har elektronikkproduksjonen PLCnext Factory fra Phoenix Contact for første gang implementert maskinnær bruk av kunstig intelligens, områdedekkende. Som resultat er komponentenes tilstand enklere å registrere innenfor maskinen. Med utgangspunkt i dette resultatet blir det fremover foretatt ytterligere dataanalyser for fremtidsrettet vedlikehold (Predictive Maintenance).
Mange muligheter for bruk av kunstig intelligens med MLnext
Med MLnext Execution tilrettelegges et program for utføring av nevronale nett, helt uavhengig av plattform. Løsningen kan benyttes fleksibelt – det være seg på styrenivå, en lokal IT-server eller i skyen. Utviklede løsninger kan testes, forbedres og sammenlignes i foretrukne omgivelser. Nødvendig dataflyt opprettes her gjennom konfigurasjonsfilene.
Som standard inneholder konfigurasjonen lasting av data, forbehandlingen, utføring av Machine-Learning-modellen, etterbehandlingen samt lagring av den nye informasjonen. Forespørsler kan enten gjentas syklisk eller stilles inn ved behov ved hjelp av et REST-grensesnitt.
Videre kan også nye løsninger helt enkelt utvikles på samme plattform, uten at prosessene som allerede er implementert, blir avbrutt. I ettertid kan bruker, servicepartnere eller eksperter fra Phoenix Contact foreta endringer med stor fleksibilitet.
Muligheten for supplering av dataflyt under runtime gir brukerne mye fleksibilitet.
MLnext Framework er et godt valg for alle programmerere av høynivåspråk når det trengs en rask og enkel oversikt over dataene. Python-biblioteket inneholder mange funksjoner for forbehandling og visualisering av produksjonsdata. Også forskjellige modeller kan sammenlignes med hverandre ved hjelp av analysefunksjoner.
Programmeringsbiblioteket videreutvikles kontinuerlig og implementerer slik fortløpende de nyeste tilnærmingene fra forskningens verden. Dermed har utviklere for analyse av tidsseriedata fra produksjonen alltid "State-of-the-art"-muligheter til å omsette ideene sine i praksis.
Gjenkjenn skjulte potensialer i fabrikken Smart optimalisering av produksjonen i dag
Det være seg anomaligjenkjenning, lokalisering av lekkasjer eller optimalisering av prosesser, med MLnext vil man gjenkjenne skjulte potensialer enkelt og målrettet. Finn ut mer i vår Infopaper.