Optymalizacja produkcji oparta na sztucznej inteligencji dzięki MLnext Inteligentna analiza danych dla oszczędności zasobów i efektywnych procesów produkcyjnych.

Sztuczna inteligencja jako abstrakcja na czarnym tle

Wyzwanie


Pulpit nawigacyjny z widokiem danych produkcyjnych

Kompetencje w zakresie danych dla cyfrowych systemów produkcyjnych

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. Prawidłowa obsługa danych jest niezbędnym elementem cyfryzacji zakładów produkcyjnych. W dzisiejszych czasach dane można znaleźć w niezliczonych maszynach i systemach produkcyjnych. 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, a tym samym znacznie szybszej oceny danych, użytkownicy korzystają ze skalowalności pojedynczych maszyn, kompletnych systemów, a nawet całych procesów produkcyjnych.

Rozwiązanie


Zalecenia działań w zakresie inteligentnych procesów produkcyjnych oparte na sztucznej inteligencji

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). 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.

Ocena danych w produkcji

Maksymalna elastyczność z MLnext

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 profilaktyczna 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 (Predictive Maintenance).

Korzyści

  • Rozwiązanie „ready to use” – nie wymaga specjalnej wiedzy, ponieważ sieci neuronowe są tworzone automatycznie
  • Parametryzacja zamiast programowania umożliwia bezbłędną i szybką adaptację rozwiązania
  • Przejrzystość dzięki automatycznemu protokołowaniu i wizualizacji tworzenia i wykonywania modeli
  • Szybka identyfikacja najlepszego modelu dzięki zintegrowanemu, intuicyjnemu porównaniu modeli
Logo MLnext Framework
Logo MLnext Execution
Logo MLnext Creation
Logo MLnext Framework

Szybki i łatwy dostęp do danych dla programistów posługujących się językami wysokiego poziomu zapewnia MLnext Framework. Dzięki temu użytkownicy mają możliwość szybkiego wyboru odpowiednich danych. Zgodnie z obowiązującymi standardami bezpieczeństwa danych MLnext Framework oferuje podstawę open source, która może być wykonywana na PLCnext Technology lub innych niezależnych platformach. W bibliotece programistycznej stale wdrażane są różne (nowe) podejścia badawcze, które są wykorzystywane w PLCnext Factory i już doprowadziły do wzrostu wydajności o 10%. Można również skrócić cykle wdrażania. Wszystkie wnioski zostaną wykorzystane w przyszłym projektowaniu rozwiązań związanych z MLnext.

Logo MLnext Execution

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 mogą być testowane, ulepszane i porównywane w środowisku. Niezbędny przepływ danych zapewniają pliki konfiguracyjne. Aby następnie przeprowadzić przetwarzanie wstępne, przewidywanie, przetwarzanie końcowe oraz przechowywanie zbiorów danych, należy w tym celu określić pochodzenie danych. Intuicyjny interfejs sieciowy monitoruje przebieg działania. Dostarcza informacji na temat funkcjonalności i czasu wykonania. Ponadto na tej samej platformie można łatwo tworzyć 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.

Logo MLnext Creation

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 następuje dalej dostosowanie pliku konfiguracyjnego.

Pobierz
Wykorzystaj MLnext w swojej produkcji

Skorzystaj z wersji próbnej, aby poznać MLnext.

Do sklepu PLCnext Store
Logo MLnext

Kontakt


Zdjęcie grupowe zespołu ekspertów Digital Factory now
Your experts for the digital factory
Global Industry Management Digital Factory now
Chętnie wesprzemy Cię na drodze do wydajnej, zrównoważonej i bezpiecznej fabryki.

Produkty


Mężczyzna z tabletem przed szafą sterowniczą

Nie znalazłeś jeszcze odpowiedniego produktu?

Skontaktuj się z nami. Doradzimy Ci i wspólnie znajdziemy optymalne rozwiązanie.