Görüntülediğiniz içerik Türkiyeiçin uygundur. Amerika Birleşik Devletleri için İçeriği Görüntüle | Başka Bir Ülke Seçin
Veri dijitalleşmenin temelidir, fakat büyüyen network'ler ve artan güvenlik ihtiyaçları nedeniyle kullanılması ve değerlendirilmesi giderek daha karmaşık hale gelmektedir. Üretim sistemlerinin veriye dayalı analizi, üretim yönetimi ve bakım çalışmaları için ölçeklenebilir ve esnek destek sağlar. Örneğin, MLnext çözümleri fabrikadaki anormallikleri zamanında tespit etmek için hem makine öğrenmesi yoluyla verilerinizi değerlendirme hem de optimizasyonları hızlı, kolay ve hassas şekilde yapma olanağı sunuyor.
Her zaman tek bakışta üretim verileri
Günümüzde, bir üretim tesisinin makine ve sistemlerinde devasa miktarlarda veri bulunabilir. Bu, çeşitli dijitalleştirme çözümlerinin uygulanması için temel teşkil eder. Değerlendirme söz konusu olduğunda, veriler örneğin hava (sıkıştırılmış) ve su gibi çeşitli kaynakların tüketimi konusunda bilgi sağlar. Makine öğrenmesine dayalı veri analizi, manuel veri analizine göre çeşitli avantajlar sunar. Otomatik veri değerlendirmesine ilave olarak, bu yaklaşımın kullanıcıları tüm üretim prosesleri için ölçeklenebilirlikten yararlanabilir. Kullanıcılar, otomatikleştirilmiş ve dolayısıyla çok daha hızlı veri değerlendirmesinin yanı sıra, tek tek makinelerin, komple sistemlerin ve hatta tüm üretim süreçlerinin ölçeklenebilirliğinden de yararlanır.
Phoenix Contact, MLnext akıllı çözümleriyle üretim için makine öğrenimi modelleri oluşturmanın ve dağıtmanın kolay bir yolunu sunmaktadır. Örneğin bu, sinir ağlarının üretim süreçlerindeki sorunları otomatik olarak tespit etmek ve önerilen eylemlere bağlantı vermek için kullanılabileceği anlamına gelir. Phoenix Contact'ın PLCnext Factory'sindeki MLnext tabanlı çözümlerin kullanımı üretkenliği çok kısa sürede %10 artırdı. Yeni çözümler için daha kısa uygulama döngüleri gerçekleştirmek de mümkün oldu ve bu da yatırım getirisini (ROI) hızlandırdı.
MLnext ile çeşitli avantajlardan yararlanın:
Model, geçmiş tüketim faaliyetlerini esas alarak hangi optimizasyon ölçümlerinin kullanılabileceğini öğrenir. Bir sistemin ortam sıcaklığında düşme gibi değişiklikler otomatik olarak dikkate alınır ve değerlendirmeye dahil edilir.
Pratikte, MLnext çözümlerinin kullanımında hiçbir sınırlama yoktur. Olası uygulama alanları arasında, örneğin üretim tesislerinin önleyici bakımı veya süreç optimizasyonu yer alabilir.
MLnext çözümleriyle Phoenix Contact'ın PLCnext Factory'deki elektronik üretimi, yapay zekânın makine tabanlı kullanımını genel olarak uygulayan ilk üretim oldu. O zamandan bu yana, makinenin içerisindeki komponentlerin durumlarını daha kolay şekilde kaydetmek mümkün oldu. Bu sonuca dayanarak gelecekte durum bazlı bakım (önleyici bakım) için daha fazla veri analizi gerçekleştirilecektir.
MLnext Creation, sinir ağlarının yaratılmasını ve parametrelendirilmesini sağlar. Uygulama bir konfigürasyon dosyası temelinde çalıştığından, programlama bilgisine ihtiyaç yoktur. Otomatik günlüğe alma yoluyla, tüm proses adımları ayrı kaydedilir ve standartlaştırılmış raporlar üretilir. Uygulama için ideal sinir ağını seçmek istendiğinde, birkaç model hızlı bir şekilde karşılaştırılabilir. Yapılandırma dosyası daha sonra raporlara göre özelleştirilebilir.
MLnext Execution, sinir ağı uygulamasına yönelik platformdan bağımsız bir yazılım çözümüdür. Çözüm esnek şekilde kullanılabilir – kontrol düzeyinde, bir yerel IT sunucusunda veya bulutta. Geliştirilmiş çözümler bu ortamda test edilebilir, güçlendirilebilir ve karşılaştırılabilir. Burada, gereken veri akışı konfigürasyon dosyaları vasıtasıyla yaratılır.
Varsayılan olarak yapılandırma, veri yüklemeyi, ön işlemeyi, makine öğrenimi modelinin yürütülmesini, son işlemeyi ve yeni bilgilerin depolanmasını içerir. İstekler döngüsel olarak tekrarlanabilir veya REST arayüzünün talebi üzerine ayarlanabilir.
İlave olarak, halihazırda entegre edilmiş prosesleri kesintiye uğratmadan aynı platform üzerinde kolayca yeni çözümler geliştirilebilir. Değişiklikler; kullanıcı, hizmet iş ortağı veya Phoenix Contact'ın uzmanları tarafından esnek şekilde yapılabilir.
Yürütüm sırasında veri akışlarını genişletme yeteneği, kullanıcılara yüksek derecede esneklik sağlar.
Üst düzey dil programcıları, verilere hızlı ve kolay bir genel bakış için MLnext Framework'e güvenebilirler. Python kütüphanesi, üretim verilerinin ön işlenmesi ve görselleştirilmesi için çeşitli işlevler içerir. Değerlendirme fonksiyonları kullanılarak farklı modeller birbirleriyle de karşılaştırılabilir.
Programlama kütüphanesi, araştırmalardan elde edilen en yeni yaklaşımları uygulayacak şekilde sürekli olarak geliştirilmektedir. Bu, geliştiricilerin fikirlerini hayata geçirmek amacıyla üretimden gelen zaman serisi verilerini analiz etmek için her zaman en son teknoloji seçeneklerine sahip oldukları anlamına gelir.
MLnext, anormallik tespiti, sızıntıların bulunması veya süreçlerin optimize edilmesinde gizli potansiyeli ortaya çıkarmanın basit ve hedefli yolunu sunuyor. Bilgi sayfasında daha fazlasını öğrenin.
