Detekce neobvyklých vzorců chování ve výrobních strojích a systémech nedokáže pouze odstranit poruchy v procesech, ale otevírá také mnoho potenciálních příležitostí pro zvýšení celkové účinnosti zařízení.
Během výroby se mohou anomálie vyskytovat v různých formách a mají velmi odlišné příčiny a důsledky.
Jak se výroba stává složitější je detekce, lokalizace a náprava takových anomálií čím dál tím obtížnější.
Aby bylo možné provádět analýzy založené na datech, je zapotřebí modulární a škálovatelná struktura sběru dat, která může integrovat jak stávající systémy, tak nové senzory pro zaznamenávání veškeré spotřeby energie, procesních dat a jejich ukládání do databáze.
V rámci konceptu „Digital Factory now“ vyvinula společnost Phoenix Contact hardwarová a softwarová řešení a také služby, které umožňují realizaci sběru a ukládání dat jako nezávislého systému pro tento účel.
Základem jsou dvě řešení rozvaděčů: jedním je Data Collection Box pro decentralizovaný sběr dat a druhým je Secure Edge Box pro kompresi dat, segmentaci a ochranu síťové infrastruktury.
Uvedené řešení lze snadno integrovat do stávající automatizační a IT infrastruktury.
Zdrojový kód a architektura softwarových řešení, které jsou nedílnou součástí rozvaděčů, jsou plně transparentní a lze je proto snadno přizpůsobit. Navíc lze integrovat stávající open source projekty z oblasti IoT bez ohledu na hardware. Lze použít nástroj Grafana pro vizualizaci dat, Node-RED pro zpracování dat a InfluxDB pro ukládání dat. Tímto způsobem mohou být části architektury outsourcovány na stávající hardware.
Jakmile jsou data uložena do databáze, můžeme použít softwarové portfolio MLnext od Phoenix Contact k vytváření, trénování a provádění modelů strojového učení.
MLnext podporuje celý aplikační cyklus modelu strojového učení, zahrnující knihovnu MLnext Framework, která poskytuje vývojářům užitečné funkce pro vyhodnocování dat, dále aplikaci MLnext Creation, sloužící k vytváření, trénování a testovatování modelu strojového učení.
Zde je přístup k řadě předem připravených šablon modelů, které jsou optimalizovány pro detekci anomálií a potenciální analýzy.
Model strojového učení lze vytvořit pomocí aplikace MLnext Execution.
Aby byl systém vybaven systémem údržby na základě stavu, jsou potřebné signály nejprve shromážděny pomocí Data Collection Box, kde jsou poté standardizovány a poté předány do Secure Edge Box.
Databáze časových řad umožňuje trvalou archivaci dat, kterou lze v případě potřeby také přímo vizualizovat prostřednictvím webové aplikace.
Jakmile je shromážděno dostatek dat pro reprezentaci systému, můžeme stáhnout soubor dat. Následně použijeme MLnext Creation k vytvoření modelu strojového učení pomocí této datové sady.
Zde vybereme šablonu modelu, která se učí normální chování systému, což znamená, že může být použita jako reference pro srovnání během výrobního procesu.
Vytvořený model strojového učení je pak uložen ve vhodném formátu otevřené výměny a může být poté použit pro vytváření predikcí.
Protože je MLnext Execution nainstalován na Edge PC integrovaném do Secure Edge Boxu, systémová data lze vyhodnocovat za běhu.
Za tímto účelem se model strojového učení nahraje do MLnext Execution a data se připojí k modelu. Po spuštění modelu založeného na nejnovějších datech je stav systému k dispozici jako nový datový bod.
Alarmy a další informace pomáhají týmu údržby učinit sofistikovanější rozhodnutí. Tímto způsobem lze předejít neplánovaným odstávkám systému.
Vyhodnocovací systémy řízené daty lze realizovat pomocí koncepčních řešení
„Digital Factory now“, jako je MLnext. Ty lze použít například k vytvoření systému údržby založeného na stavu, který podporuje tým údržby a zvyšuje dostupnost systému. Obecný přístup také umožňuje uživateli provádět další vylepšení z hlediska produktivity a udržitelnosti.
PHOENIX CONTACT, s.r.o.
Dornych 47b, 617 00 Brno
Tel.: +420 542 213 401
E-mail: Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript.
www.phoenixcontact.cz