Det innehåll som du ser är skräddarsytt för Sverige. Se innehåll för USA | Välj annat land
Data utgör fundamentet för digitaliseringen, men växande nätverk och ökade säkerhetskrav gör att den blir alltmer komplex att tillämpa och utvärdera. Datadriven analys av produktionssystem möjliggör skalbart och flexibelt stöd för produktionsstyrning och underhåll. För att upptäcka t.ex. avvikelser i fabriken i tid, erbjuder lösningarna från MLnext möjligheten att utföra snabba, enkla och precisa utvärderingar och optimeringar av dina data genom maskininlärning.
Produktionsdata i överblick vid alla tidpunkter
Idag återfinns produktionsdata i otaliga mängder i maskiner och anläggningar. De utgör grunden för realisering av alla former av digitaliseringslösningar. För utvärderingen ger data t.ex. en inblick i förbrukningarna av olika resurser som (tryck-) luft och vatten. Utvärderingen av data baserat på maskininlärning erbjuder en mängd fördelar jämfört med manuella dataanalyser. Utöver en automatiserad datautvärdering kan användare dra nytta av skalbarheten för hela produktionsprocessen. Förutom automatiserad och därmed mycket snabbare datautvärdering drar användarna nytta av skalbarheten hos enskilda maskiner, kompletta system och till och med hela produktionsprocesser.
Med de smarta lösningarna från MLnext erbjuder Phoenix Contact ett enkelt sätt att skapa och använda maskininlärningsmodeller för produktion. Det innebär till exempel att neurala nätverk kan användas för att automatiskt hitta problem i produktionsprocesser och koppla dem till rekommendationer för åtgärder. I Phoenix Contacts PLCnext Factory har produktivitetsökningar på 10 % redan uppnåtts på mycket kort tid genom användning av MLnext-baserade lösningar. På samma sätt kan kortare implementeringscykler för nya lösningar realiseras, vilket resulterar i en snabbare avkastning på investeringen (ROI).
Dra nytta av olika fördelar med MLnext:
Modellen lär ut vilka optimeringsåtgärder som ska användas utifrån tidigare förbrukningsaktiviteter. Aktuella förändringar som t.ex. sänkningen av omgivningstemperaturen för en anläggning beaktas automatiskt och ingår i utvärderingen.
I praktiken finns inga gränser för hur MLnext-lösningar används. Möjliga tillämpningsområden skulle t.ex. kunna vara förebyggande underhåll eller processoptimering av produktionsanläggningar.
Phoenix Contacts elektronikproduktion PLCnext Factory har med MLnext-lösningarna för första gången omfattande automatiserat en maskinnära användning av artificiell intelligens. Som ett resultat registreras komponenternas tillstånd i maskinen enklare. Baserat på detta resultat kommer ytterligare dataanalyser för tillståndsbaserat underhåll (Predictive Maintenance) att genomföras i framtiden.
MLnext Creation möjliggör framställning och parametrering av neurala nät. Eftersom användningen fungerar baserat på en konfigurationsfil krävs inga programmeringskunskaper. Genom den automatiska protokolleringen registreras varje bearbetningssteg separat, och genererar en standardiserad rapport. För att välja det optimala neurala nätet för användningsfallet, kan även flera modeller snabbt jämföras med varandra. Baserat på rapporterna kan konfigurationsfilen sedan anpassas individualiserat.
Med MLnext Execution beredställs en plattformsoberoende programvara för utförandet av neurala nät. Lösningen kan användas flexibelt – på styrsystemsnivån, en lokal IT-server eller i molnet. Lösningar som utvecklats kan testas, förbättras och jämföras i den valda miljön. Det nödvändiga dataflödet tas fram genom konfigurationsfilerna.
Som standard omfattar konfigurationen laddning av data, förbehandling, körning av maskininlärningsmodellen, efterbehandling och lagring av den nya informationen. Förfrågningar kan antingen upprepas cykliskt eller ställas in på begäran av ett REST-gränssnitt.
Dessutom kan nya lösningar enkelt utvecklas på samma plattform utan att avbryta de processer som redan integrerats. Förändringar är möjliga flexibelt genom användaren, service-partners eller Phoenix Contacts experter.
Möjligheten till komplettering av dataflöden under funktionstiden ger användaren en hög flexibilitet.
MLnext Framework lämpar sig för högnivåspråkprogrammeraren för en snabb och enkel översikt över data. Python-biblioteket innehåller ett brett utbud av funktioner för förbehandling och visualisering av produktionsdata. Det går även att jämföra olika modeller med utvärderingsfunktioner.
Programmeringsbiblioteket vidareutvecklas kontinuerligt och implementerar därmed kontinuerligt de senaste strategierna från forskningen. Det innebär att utvecklare som arbetar med analys av tidsseriedata från produktionen alltid har tillgång till de senaste och mest avancerade möjligheterna för att förverkliga sina idéer.
Med MLnext kan dolda potentialer hittas enkelt och målinriktat, oavsett om det gäller avvikelseidentifiering, lokalisering av läckage eller optimering av processer. Läs mer i vårt infopaper.
