moneo DataScience Toolbox – yapay zeka
SmartLimitWatcher nedir?
SmartLimitWatcher, yapay zekaya dayalı üretim için çözümler sunan moneo Data Science Toolbox' ın ilk aracıdır. Kullanıcılar, üretim kalitesini veya tesis durumunu (örn. sıcaklık, akış, titreşim, akım tüketimi) dikkate alarak kritik proses değerlerini (hedef değişken) sürekli olarak denetlemesinden yararlanır. Hedef değişkendeki anomaliler otomatik olarak ve erken bir aşamada algılanır.
SmartLimitWatcher, ölçülen ve tahmin edilen hedef değer arasında kalıcı, güvenilir bir hedef/gerçek karşılaştırma sağlayan geçmiş verileri kullanarak kendini eğitir. Hedef değişken için dinamik beklenti aralıklarının (güvenilirlik bantları) ilave olarak hesaplanması, hedef değişkenin ölçülen davranışının kalıcı olarak değerlendirilmesinin yanı sıra sapmaların otomatik olarak gösterilmesini sağlar.
Statik proses değeri izlemenin aksine dinamik sınır değeri izleme ile sınır değerleri, makinenin veya sistemin geçerli işlem durumuna bağlı olur. Destek değişkenleri, makinenin veya sistemin proses durumunu açıklar. Matematiksel bir model kullanılarak dinamik sınır değerleri bu destek değişkenlerine göre hesaplanır. Bir sapma (anomali) durumunda otomatik olarak bir uyarı veya alarm verilir.
Statik ve dinamik proses izleme arasındaki fark
SmartLimitWatcher' ın başarılı kullanımı için ön koşullar
- En az 2 proses değeri gereklidir:
- İzlenecek hedef değişken olarak bir proses değişkeni
- Destek değişkeni olarak kullanılacak en az bir başka proses değeri
- Mevcut veri geçmişi yeterli gerekli çalışma durumunu içermelidir. (Bir prosesin tüm döngüleri birkaç kez kaydedilmiş olmalıdır. Bu, filtre vb. gibi uygulamalar için önemlidir.)
- İzlenecek prosesin hedef değişken ve destek değişkenleri arasında bir proses ilişkisi (doğrusal olmayan/doğrusal) olması gerekir. Bu ilişki mevcut veriler tarafından uygun şekilde açıklanıyor olmalıdır. Bu nedenle mekanik olarak birleştirilmiş tüm sistemler çok uygundur. (Temel proses ilişkisinin formüller tarafından açıklanması gerekmez.)
- İzleme için öğretilen proses ilişkisi gelecekte de geçerli olmalıdır. (Örnek: İzlenecek sistemdeki değişiklikler yeni bir eğitimi gerekli kılar.)
- Hedef değişkenden türetilen “yapay” destek değişkenlerinin hiçbiri (ör. hesaplama ile) hedef değişkeni izlemede kullanılamaz.
- Bu yüzden hedef değişkenin değerindeki değişiklik ile destek değişkenlerinin değişimi arasında çok uzun bir gecikme olmamalıdır. (Örnek: yavaş termodinamik reaksiyonlar)
- Çok “gürültülü” ölçülen değerlere sahip hiçbir proses dikkate alınmamalıdır, çünkü bu durumda model eğitiminde kesinlik sağlanamaz.
Uygulama alanları
SmartLimitWatcher’ın yapay zekası, proses izlenmesi için farklı şekillerde kullanılabilir. Bir taraftan, izleme için benzer makine bileşenleri, diğer taraftan, izleme için özel ek parçalar veya ölçülen değişkenler.
1. Yatay kullanım
Benzer makine bileşenlerini temel alan izleme.
Yatay kullanım notu
Bağlı makine bileşenleri, bir prosese entegredir veya aynı tesistedir ve fiziksel bağımlılık mevcuttur. Bunun bir avantajı, anomalileri belirlemek için az sayıda sensöre veya ölçüm değerine ihtiyacınız olmasıdır.
2. Dikey kullanım
Birden çok ölçüm değeri kullanan bir bileşenin ayrıntılı şekilde izlenmesi.
