- moneo: IIoT-plattform
- Produkter
- moneo DataScience Toolbox
- moneo SmartLimitWatcher
moneo SmartLimitWatcher
moneo SmartLimitWatcher (SLW) är en AI-baserad mjukvaruprodukt från moneo DataScience Toolbox. Den används för att dynamiskt övervaka komplexa maskin- och produktionsprocesser i företag.
Den underliggande tekniken möjliggör automatisk och tidig upptäckt av avvikelser i kritiska processvariabler baserat på beroende givardata, värden, information och andra processparametrar. moneo SmartLimitWatcher övervakar kontinuerligt målvariabeln med avseende på produktionskvalitet, effektivitet eller anläggningstillstånd (t.ex. temperatur, flöde, vibration eller strömförbrukning).
Så här fungerar moneo SmartLimitWatcher
En algoritm tränar en matematisk modell baserad på historiska data som kontinuerligt jämför uppmätta värden med förutspådda målvärden, vilket ger en kontinuerlig jämförelse mellan mål och faktiska värden. Den beräknar också dynamiska förväntningsintervall (konfidensband) för målvariabeln för att automatiskt upptäcka och signalera avvikelser.
moneo SmartLimitWatcher är ett intelligent AI-övervakningsverktyg som är enkelt att hantera och kan användas utan datavetenskaplig expertis. Det gör data bekvämt och automatiskt tillgängliga och övervakar dem autonomt på grundval av "maskininlärning".
Vad moneo SmartLimitWatcher kan göra
AI-mjukvaran är anpassningsbar och möjliggör användarvänlig justering av känsligheten för detektering av anomalier. Varnings- och larmgränser kan anpassas så att du snabbt kan reagera på avvikelser i din produktionsprocess. Du kan välja mellan "inaktiv", "låg", "medium", "hög" och "anpassad".
Mjukvarulösningen moneo SmartLimitWatcher kan användas både för övervakning av jämförbara maskinkomponenter och för detaljerad övervakning av enskilda komponenter med hjälp av flera parametrar för tillståndsövervakning.
moneo SmartLimitWatcher kommer att övertyga dig
Enkelt
Inga expertkunskaper i datavetenskap krävs. Pragmatisk lösning med en lättförståelig guide i 5 steg för produktions- och underhållsansvariga personer.
Inga expertkunskaper i datavetenskap krävs. Pragmatisk lösning med en lättförståelig guide i 5 steg för produktions- och underhållsansvariga personer.Praktiskt
Automatiserad dataförberedelse, modellträning och kvalitetskontroll. Ingen komplex förbehandling av data krävs.
Automatiserad dataförberedelse, modellträning och kvalitetskontroll. Ingen komplex förbehandling av data krävs.Smart
Automatiserat val av den bäst lämpade AI-modellen inklusive verifiering av övervakningens noggrannhet.
Automatiserat val av den bäst lämpade AI-modellen inklusive verifiering av övervakningens noggrannhet.Tillförlitligt
Tids- och tillståndsbaserad övervakning. Kontinuerlig bakgrundsövervakning med hjälp av dynamiska förväntningsintervall för målvariabeln.
Tids- och tillståndsbaserad övervakning. Kontinuerlig bakgrundsövervakning med hjälp av dynamiska förväntningsintervall för målvariabeln.Anpassningsbart
Justerbar känslighet för upptäckt av anomalier. Anpassningsbara varningar och larm.
Justerbar känslighet för upptäckt av anomalier. Anpassningsbara varningar och larm.Fem steg till intelligent processövervakning:
Femstegsguide
moneo SmartLimitWatcher har en installationsguide som gör mjukvaran enkel att använda. I bara fem steg kan det intelligenta övervakningsverktyget aktiveras utan experthjälp.
Genomgång: moneo SmartLimitWatcher
Applikationer för moneo SmartLimitWatcher
SmartLimitWatchers AI kan användas på olika sätt för processövervakning inom ramen för tillståndsövervakning: för övervakning av jämförbara maskinkomponenter eller för övervakning av enskilda tilläggsdelar eller parametrar.
- Horisontell applikation: övervakning baserad på jämförbara maskinkomponenter
Krav:
De anslutna maskinkomponenterna är integrerade i en process eller i samma anläggning och är fysikaliskt beroende av varandra. Fördelen är att endast ett fåtal givare eller parametrar behövs för att upptäcka anomalier.
- Vertikal applikation: detaljerad övervakning av en enskild komponent med hjälp av flera parametrar
Krav:
För att det ska gå att upptäcka avvikelser måste ett tillräckligt antal parametrar för den komponent som ska övervakas registreras. Detta allmänna tillvägagångssätt är mycket väl lämpat för ett brett spektrum av övervakningsproblem.
