moneo DataScience Toolbox – sztuczna inteligencja
Czym jest SmartLimitWatcher?
SmartLimitWatcher jest pierwszym narzędziem moneo Data Science Toolbox, które oferuje rozwiązania dla produkcji oparte na sztucznej inteligencji. Użytkownicy korzystają ze stałego monitorowania krytycznej wartości procesu (zmiennej docelowej) w odniesieniu do jakości produkcji lub stanu instalacji (np. temperatury, przepływu, wibracji, poboru prądu). Anomalie w zmiennej docelowej są wykrywane automatycznie i we wczesnym stadium.
SmartLimitWatcher uczy się z wykorzystaniem danych historycznych, co pozwala na stałe, wiarygodne porównanie cel/rzeczywistość pomiędzy zmierzoną i przewidywaną wartością docelową. Dodatkowe obliczanie dynamicznych zakresów oczekiwań (pasma ufności) dla zmiennej docelowej umożliwia stałą ocenę zmierzonego zachowania zmiennej docelowej, jak również automatyczne wskazanie odchyleń.
W przeciwieństwie do statycznego monitorowania wartości procesowych, w przypadku dynamicznego monitorowania wartości granicznych wartości graniczne zależą od aktualnego stanu procesowego maszyny lub instalacji. Zmienne pomocnicze opisują stan procesowy maszyny lub instalacji. Na podstawie tych zmiennych pomocniczych obliczane są dynamiczne wartości graniczne za pomocą modelu matematycznego. W przypadku odchylenia (anomalii) automatycznie wydawane jest ostrzeżenie lub alarm.
Różnica między statycznym a dynamicznym monitorowaniem procesu
Warunki wstępne dla skutecznego zastosowania SmartLimitWatcher
- Konieczne są co najmniej 2 wartości procesowe:
- Jedna zmienna procesowa jako zmienna docelowa, która ma być monitorowana
- Co najmniej jedna inna wartość procesowa, wykorzystywana jako zmienna pomocnicza
- Dostępna historia danych powinna zawierać wystarczającą ilość wymaganych stanów roboczych. (Wszystkie cykle procesu powinny być wielokrotnie rejestrowane. Jest to ważne dla takich aplikacji jak filtry itp.)
- Monitorowany proces musi posiadać zależność procesową (nieliniową/liniową) pomiędzy zmienną docelową a zmiennymi pomocniczymi. Zależność ta musi być odpowiednio opisana przez dostępne dane. Z tego powodu wszystkie mechanicznie sprzężone systemy są dobrze dopasowane. (Podstawowa zależność procesowa nie musi być możliwa do opisania za pomocą wzorów)
- Zależność procesowa, która została nauczona do monitorowania, musi być również ważna w przyszłości. (Przykład: Zmiany w systemie, który ma być monitorowany, wymagają nowego uczenia.)
- Do monitorowania zmiennej docelowej nie można stosować „sztucznych" zmiennych pomocniczych wyprowadzonych ze zmiennej docelowej, np. poprzez obliczenia.
- W związku z tym nie powinno być zbyt dużego opóźnienia między zmianą wartości zmiennej docelowej a zmianami wartości zmiennych wspomagających. (Przykład: powolne reakcje termodynamiczne)
- Nie należy brać pod uwagę procesów z bardzo „zaszumionymi" wartościami pomiarowymi, ponieważ w takim przypadku nie można nauczyć precyzyjnego modelu.
Obszar stosowania
Moduł SI SmartLimitWatcher można stosować na wiele sposobów do monitorowania procesów. Na przykład do monitorowania porównywalnych elementów maszyny czy też poszczególnych części dodatkowych lub zmiennych mierzonych.
1. Zastosowanie poziome
Monitorowanie na podstawie porównywalnych elementów maszyny.
Wskazówka dotycząca zastosowania poziomego
Podłączone komponenty maszynowe są zintegrowane w procesie lub w tej samej instalacji i istnieje fizyczna zależność. Zaleta: do wykrycia nieprawidłowości wystarczy zaledwie kilka czujników lub wartości mierzonych.
2. Zastosowanie pionowe
Szczegółowy monitoring komponentu przy użyciu kilku wartości pomiarowych.
