- moneo: IIoT platform
- Produkter
- moneo DataScience Toolbox
- moneo SmartLimitWatcher
moneo SmartLimitWatcher
moneo SmartLimitWatcher (SLW) er et AI-baseret softwareprodukt fra moneo DataScience Toolbox. Det anvendes til dynamisk overvågning af komplicerede maskin- og produktionsprocesser i virksomheder.
Den underliggende teknologi giver mulighed for automatisk og tidlig detektering af anomalier i kritiske procesvariabler baseret på afhængige sensordata, -værdier, information og andre procesparametre. moneo SmartLimitWatcher overvåger kontinuerlig målvariablen med hensyn til produktkvalitet, effektivitet eller anlægstilstand (f.eks. temperatur, flow, vibration eller strømforbrug).
Sådan fungerer moneo SmartLimitWatcher
En algoritme indlærer en matematisk model baseret på historikdata, der kontinuerligt sammenligner målte værdier med forventede målværdier, og giver dermed en kontinuerlig nominel/faktisk-sammenligning. Derudover beregner det dynamiske forventningsrammer (konfidensbånd) for målvariablen til automatisk detektering af signalafvigelser.
moneo SmartLimitWatcher er et intelligent AI-overvågningsværktøj, der er nemt at bruge uden ekspertise i datavidenskab. Det gør nemt og automatisk data tilgængelige og overvåger dem autonomt baseret på ”maskinindlæring”.
Hvad moneo SmartLimitWatcher kan gøre
AI-softwaren kan frit konfigureres og giver mulighed for brugervenlig justering af følsomheden til detektering af anomalier. Tærskelværdier for advarsler og alarmer kan brugerdefineres for at give dig mulighed for at reagere hurtigt på afvigelser i din produktionsproces. Du kan vælge mellem ”inaktiv”, ”lav”, ”mellem”, ”høj” og ”brugerdefineret”.
Softwareløsningen moneo SmartLimitWatcher kan både anvendes til overvågning af sammenlignelige maskinkomponenter og til detaljeret overvågning af individuelle komponenter ved hjælp af flere parametre til tilstandsovervågning.
moneo SmartLimitWatcher vil overbevise dig
Ukompliceret
Ingen ekspertise i datavidenskab kræves. Pragmatisk løsning med guide til 5 enkle trin for ledere af produktion og vedligeholdelse.
Ingen ekspertise i datavidenskab kræves. Pragmatisk løsning med guide til 5 enkle trin for ledere af produktion og vedligeholdelse.Praktisk
Automatiseret dataforberedelse, modelindlæring og kvalitetskontrol. Intet behov for kompliceret forbehandling af data.
Automatiseret dataforberedelse, modelindlæring og kvalitetskontrol. Intet behov for kompliceret forbehandling af data.Smart
Automatiseret valg af den AI-model, der passer bedst, inkl. verifikation af overvågningens nøjagtighed.
Automatiseret valg af den AI-model, der passer bedst, inkl. verifikation af overvågningens nøjagtighed.Pålidelig
Tids- og tilstandsbaseret overvågning. Kontinuerlig baggrundsovervågning ved hjælp af dynamiske forventningsrammer for målvariablen.
Tids- og tilstandsbaseret overvågning. Kontinuerlig baggrundsovervågning ved hjælp af dynamiske forventningsrammer for målvariablen.Brugerdefinerbar
Justerbar følsomhed til detektering af anomalier. Brugerdefinerbare advarsler og alarmer.
Justerbar følsomhed til detektering af anomalier. Brugerdefinerbare advarsler og alarmer.5 trin til intelligent procesovervågning:
5-trins-guide
moneo SmartLimitWatcher tilbyder en opsætningsguide, der gør softwaren nem at bruge. Det intelligente overvågningsværktøj kan aktiveres uden ekspertbistand med blot fem trin.
Gennemgang: moneo SmartLimitWatcher
Anvendelsesområder for moneo SmartLimitWatcher
SmartLimitWatcher’s AI kan anvendes på forskellige måder til procesovervågning i forbindelse med tilstandsovervågning: til overvågning af sammenlignelige maskinkomponenter eller til overvågning af individuelle, monterede dele eller parametre.
- Horisontal anvendelse: overvågning baseret på sammenlignelige maskinkomponenter
Krav:
De tilsluttede maskinkomponenter er integreret i en proces eller i det samme anlæg, og er fysisk afhængige af hinanden. Fordelen er, at kun få sensorer eller parametre er nødvendige til detektering af anomalier.
- Vertikal anvendelse: detaljeret overvågning af en enkelt komponent ved hjælp af flere parametre
Krav:
For at detektere afvigelser skal et tilstrækkeligt antal parametre for den komponent, der skal overvåges, registreres. Denne generalistiske tilgang er meget velegnet til mange forskellige overvågningsproblemer.
