Oglądane treści są dostosowane dla Polska. Zobacz treści dla Stany Zjednoczone | Wybierz inny kraj
Dane są podstawą cyfryzacji, ale ich wykorzystanie i analiza stają się coraz bardziej skomplikowane ze względu na rozrastające się sieci i zwiększone wymagania w zakresie bezpieczeństwa. Oparta na danych analiza systemów produkcyjnych umożliwia skalowalne i elastyczne wsparcie zarządzania produkcją i utrzymaniem ruchu. Na przykład, aby w porę wykryć nieprawidłowości w fabryce, rozwiązania MLnext oferują możliwość analizy danych za pomocą uczenia maszynowego oraz szybkiej, łatwej i precyzyjnej optymalizacji.
Dane produkcyjne zawsze pod kontrolą
W dzisiejszych czasach dane można znaleźć w niezliczonych maszynach i systemach produkcyjnych. Stanowią one podstawę do wdrażania wszystkich rozwiązań w zakresie cyfryzacji. Jeśli chodzi o ocenę, dane umożliwiają wgląd w zużycie różnych zasobów, np. powietrza i wody. Ocena danych na podstawie uczenia maszynowego ma wiele zalet w porównaniu z ręczną analizą danych. Oprócz zautomatyzowanej oceny danych użytkownicy mogą korzystać ze skalowalności dla całych procesów produkcyjnych. Oprócz zautomatyzowanej, a tym samym znacznie szybszej oceny danych, użytkownicy korzystają ze skalowalności pojedynczych maszyn, kompletnych systemów, a nawet całych procesów produkcyjnych.
Dzięki inteligentnym rozwiązaniom MLnext, Phoenix Contact oferuje łatwy sposób tworzenia i wykorzystywania modeli uczenia maszynowego dla produkcji. Oznacza to na przykład, że sieci neuronowe mogą być wykorzystywane do automatycznego znajdowania problemów w procesach produkcyjnych i łączenia ich z zalecanymi działaniami. W fabryce PLCnext firmy Phoenix Contact w bardzo krótkim czasie osiągnięto już 10-procentowy wzrost produktywności dzięki zastosowaniu rozwiązań opartych na MLnext. Podobnie można skrócić cykle wdrażania nowych rozwiązań, co skutkuje szybszym zwrotem z inwestycji (ROI).
MLnext przynosi wiele korzyści:
Model uczy się na podstawie wcześniejszych danych zużycia, jakie można podjąć środki optymalizacji. Bieżące zmiany, takie jak spadek temperatury otoczenia przy linii produkcyjnej, są automatycznie uwzględniane w analizie.
W praktyce nie ma ograniczeń w stosowaniu rozwiązań MLnext. Możliwymi obszarami zastosowań mogą być na przykład konserwacja predykcyjna lub optymalizacja procesów w zakładach produkcyjnych.
W produkcji elektroniki PLCnext Factory firmy Phoenix Contact po raz pierwszy zrealizowano wykorzystanie sztucznej inteligencji blisko maszyny dzięki rozwiązaniom MLnext. Dzięki temu można teraz łatwiej rejestrować stany podzespołów w maszynie. Na podstawie tych wyników w przyszłości zostaną przeprowadzone dalsze analizy danych dotyczące konserwacji opartej na stanie (konserwacja predykcyjna).
MLnext Creation umożliwia tworzenie i parametryzację sieci neuronowych. Ponieważ aplikacja działa w oparciu o plik konfiguracyjny, nie jest wymagana wiedza programistyczna. Dzięki automatycznemu rejestrowaniu wszystkie etapy przetwarzania są indywidualnie rejestrowane i generują znormalizowane raporty. Aby wybrać optymalną sieć neuronową dla danego zastosowania, można również szybko porównać ze sobą kilka modeli. Na podstawie raportów można następnie zindywidualizować plik konfiguracyjny.
MLnext Execution zapewnia niezależne od platformy oprogramowanie do wykonywania sieci neuronowych. Rozwiązanie to można stosować w sposób elastyczny – na poziomie sterowania, na lokalnym serwerze IT lub w chmurze. Opracowane rozwiązania można testować, ulepszać i porównywać w preferowanym środowisku. Niezbędny przepływ danych zapewniają pliki konfiguracyjne.
Domyślnie konfiguracja obejmuje ładowanie danych, przetwarzanie wstępne, uruchomienie modelu uczenia maszynowego, przetwarzanie końcowe i przechowywanie nowych informacji. Zapytania mogą być powtarzane cyklicznie lub ustawiane na żądanie interfejsu REST.
Ponadto na tej samej platformie można łatwo opracowywać nowe rozwiązania bez zakłócania zintegrowanych już procesów. Zmiany mogą być wprowadzane w sposób elastyczny przez użytkownika, partnera serwisowego lub ekspertów z firmy Phoenix Contact.
Możliwość uzupełniania danych w czasie pracy zapewnia użytkownikom wysoki stopień elastyczności.
Szybki i łatwy dostęp do danych dla programistów posługujących się językami wysokiego poziomu zapewnia MLnext Framework. Biblioteka Python zawiera wiele funkcji do wstępnego przetwarzania i wizualizacji danych produkcyjnych. Różne modele można również porównywać ze sobą za pomocą funkcji oceny.
Biblioteka programistyczna jest stale rozwijana, a tym samym stale wdraża najnowsze dokonania badawcze. Oznacza to, że programiści zajmujący się analizą danych szeregów czasowych z produkcji zawsze mają do dyspozycji najnowocześniejsze możliwości wdrażania swoich pomysłów.
Niezależnie od tego, czy chodzi o wykrywanie nieprawidłowości, lokalizację wycieków czy optymalizację procesów, MLnext pozwoli łatwo i sprawnie znaleźć ukryte potencjały. Dowiedz się więcej z naszej broszury informacyjnej.
