Jelentős számú érzékelő rögzít adatokat gépekben és berendezésekben. Megfelelő elemzés esetén ezek az adatok javíthatják a gyártási folyamatokat, és kiváló minőségű termékeket garantálhatnak. Az ipari analitikai üzleti egység ehhez szükséges modelleket fejleszt a vevőkkel szoros együttműködésben, és a vevők maguk is részt vehetnek az adatokban és a modellfejlesztésben.
Különböző adathalmazok, ún. jellemzők vonhatók ki a gép- és berendezésadatokból. Ezek az adatok automatikusan értékelhetők mesterséges intelligencia (AI) használatával. Ide tartozik például a hőmérséklet, a nyomás, a teljesítményfelvétel és a rezgés. Az előző projektek tapasztalata azt mutatja, hogy a gépek és berendezések jellemzően már minden fontos adatot rögzítenek. A legtöbb esetben nem szükségesek további érzékelők. A tényleges kihívás a rejtett információk kinyerése az adatokból és a fontos összefüggések felismerése. Itt lép színre a Weidmüller ipari analitikája.
Rendellenességek észlelése és osztályozása
Számos olyan ok van, ami megszakíthatja a berendezés zökkenőmentes működését. Ide tartoznak a hűtőkörben kialakuló levegőbuborékok, amelyek csökkentik a hűtési kapacitást, vagy pontatlan mozgásokat eredményező fogaskerék-holtjátékot okoznak. A Weidmüller adattudósai mesterséges intelligencia használatával fejlesztenek modelleket, amelyek felismerik ezeket az eltéréseket a normál viselkedéshez képest, tehát a rendellenességeket a valós idejű adatokban. A tudósok előzmény adatokat használnak referenciaként, amelyek jellemző mintázatot adnak a gép adott időszak alatti működéséről.
A rendellenesség besorolása alatt a felismert eltérések fontos és nem fontos kategóriákban kerülnek, a fontos rendellenességeket pedig hibaokhoz rendelik. A gépkezelők ezeknek az információknak a használatával tudnak gyorsabban reagálni a problémákra, és akár fel is ismerik a meghibásodásokat, amelyek egyébként észrevétlenek maradhatnak. A gyorsabb diagnózis végül csökkenti az állásidőket, ami csökkenti a költségeket, és optimalizálja a gyártási teljesítményt.
A funkciótervezés komplex mintázatokat ismer fel
A Weidmüller elnyerte a 2018. évi német innovációs díjat a „Vállalatközi kiválóság” kategóriában az ipari analitika integrált koncepciójáért. Dr. Markus Köster, az ipari analitikai üzleti egység kutatási és fejlesztési vezetője (l.) és Tobias Gaukstern, az ipari analitikai üzleti egység vezetője (r.), vette át a díjat Berlinben.
A funkciótervezés a megbízható MI modellek fejlesztésének fontos technológiája. Ebben a megközelítésben a mért értékeket komplex statisztikai összefüggésekben veszik figyelembe. Ebből a célból például olyan korrelációs együtthatókat hoznak létre, amelyek két vagy több funkció egymással összefüggő változásait jelentik az idő folyamán. Az adattudósok előzmény gépadatokat használnak új funkciók fejlesztéséhez. A cél az eltérő mintázatok még jobb és megbízhatóbb felismerése ahhoz képest, amikor a nyersadatokat használnának egyszerűen. Egy példa: a például rezgésmérésekből vagy frekvenciátalakítókból származó nagyfrekvenciás jelek különböző frekvenciatartományokra oszthatók fel a kimeneti jel matematikai módszereken alapuló megfelelő komponenseivel. A modell megtanulja a gép normál viselkedésére jellemző jelkomponenseket. Ezek a komponensek jobban jelzik a lehetséges meghibásodásokat, mint az eredeti jel.
Ez mindannyiunktól függ
Mivel az adathalmazokat a konkrét gép- vagy folyamatviselkedés alapján kell értelmezni és értékelni, a funkciótervezés átfogó alkalmazási ismereteket igényel. Az adattudósok szakértelme, a gépészmérnök vagy a gépkezelő alkalmazási know-how-ja, valamint a már megszerzett ismeret mind egyformán fontos azoknak a válaszoknak a megtalálásában, amelyek gyakorlati megoldást eredményeznek. Kizárólag alkalmazási szakértő mérheti fel, hogy egy anomália ténylegesen jelent-e géphibát. A szakértő segít az adatszakembereknek annak az algoritmusnak a megépítésében, amely megfelelő módon írja le a normál üzemállapotot, valamint a lehetséges eltéréseket és anomáliákat.
Az MI-n alapuló modellek jelenleg már számos olyan alkalmazásban használatosak, mint például a csomagológépek a töltési technológiában és az anyagkezelésben, valamint a robotikában. A Weidmüllernél ezek a modellek az egyedi felhasználóra szabott szoftvert eredményeznek. A szoftver folyamatosan felügyeli és megjósolja a gép viselkedését, és az adatokat, valamint az elemzés eredményeit vizualizáláshoz használja. UI szakértők tervezik meg egyedileg a felhasználói interfészt, hogy minden vevő saját alkalmazási területének megfelelő megoldást kapjon.
A vizualizálás megkönnyíti a gép aktuális állapotának kezelését. Ebből a célból az egyes időtartományok megtekinthetők és olyan információkkal jelölhetők, amelyeket a későbbi adatfelmérésben szerepeltetni kell. Ebben a példában a sárgán kiemelt területek a lehetséges anomáliákat mutatják, amelyeket az algoritmus felismert a felhasználó számára. Emellett a felhasználók megtekinthetik ezeket a területeket annak jelzése céljából, hogy lényegében anomáliáról van-e szó. Ilyen módon a modell továbbtanul, és precízebben tudja besorolni a későbbi állapotokat.
Az új, MI-alapú modell azonban először nem képes a berendezés összes lehetséges későbbi hibáját és állapotát leírni, különösen akkor, amikor ezek nem vagy csak nagyon ritkán szerepelnek az előzmény adatokban. Ezért az ipari analitikai modulokat olyan módon tervezik meg, hogy a felhasználók idővel saját maguk tudják frissíteni, bővíteni és finomítani saját modelljüket. A Weidmüller adattudósai természetesen támogatást nyújtanak a vevők számára szükség esetén.
Funkciók használata a sikerhez
A funkciótervezés az analitikai megoldás sikerének kulcsa. A Weidmüller a fizikai összefüggésekkel kapcsolatos szükséges alkalmazási ismerteket és műszaki szakértelmet összevonja az adattudományi know-how-val. Annak köszönhetően, hogy önállóan lehet fejleszteni MI-alapú modelleket, a gépészmérnökök és a gépkezelők jelentősen növelhetik modellteljesítményüket anélkül, hogy feltárnák tárgyi ismereteiket.