В частности, фармацевтическая промышленность и производство товаров народного потребления работают с капиталоемкими производственными мощностями и всегда полагаются на максимальное повышение производительности. В противном случае существует риск нехватки средств и недостатка финансирования. На практике, однако, применяется следующее: «Чем сложнее система, тем ниже производительность». Вот как Феликс Мюллер, руководитель группы по оптимизации автономного производства в Fraunhofer IPA, подходит к этому. Кроме того, многие производственные предприятия имеют большое количество станций и работают так быстро, что причина неисправности не может быть замечена невооруженным глазом.
Самообучающиеся алгоритмы оценивают данные синхронно
С помощью «Smart System Optimization» Мюллер и его команда разработали инструмент анализа, который непрерывно обнаруживает ошибки и их причины в быстро меняющихся связанных производственных системах: мощный разъем использует протокол производителя для доступа к данным в системе управления машиной с высокой частотой. Это создает непрерывную базу данных, которая оценивает несколько алгоритмов самообучения синхронно. Они детально распознают, где есть ошибки в производственной системе, как они связаны и какие у них приоритеты при их исправлении. Таким образом, дефекты, которые приводят к отказу всей системы, могут быть исправлены или предсказаны быстрее.
Конгресс Automation Software Engineering 2019 Конгресс ASE пройдет с 16 по 18 сентября 2019 года и предоставит важные базовые знания и специальные прикладные знания для целевой группы разработчиков программного обеспечения в области машиностроения и автоматизации. Он хочет задавать импульсы для использования новых технологий, методов и процессов. И это обеспечивает обмен ноу-хау между различными отраслями и областями применения.
Следующая информация
Система помощи работникам постоянно учится
Однако не всегда понятно, что делать, если возникает угроза возникновения ошибки. Есть также последующие сообщения от системы, которые делают ситуацию еще более запутанной для оператора. По этой причине Мюллер и его команда разработали Shannon, интеллектуальную систему помощи работникам для сложных производственных систем, основанную на «Smart System Optimization». До сих пор оператор машины самостоятельно решал, что делать, чтобы исправить ошибку. Но теперь пострадавший компьютер отправляет им подробные пошаговые инструкции на свой смартфон или планшет. База данных и связи между ошибками и решениями постоянно расширяются в процессе эксплуатации установки.
Это дает системным операторам возможность самостоятельно создавать инструкции, например, о том, как устранять неисправности. В дополнение к тексту, эти инструкции могут также включать фотографии и видео. Оператор системы также может предоставить обратную связь по предоставленной информации, которая используется для ее улучшения. Операторов завода также активно просят поделиться знаниями, например, при описании обнаруженных, но неизвестных событий. Таким образом, со временем создается четко понятная и последовательно связанная база знаний, состоящая из ошибок, событий и решений. В настоящее время Shannon используется в качестве приложения для планшета и смартфона на нескольких заводах, что значительно сократило время устранения неполадок.
Автоматический бенчмаркинг машин повышает эффективность
С помощью «Smart System Optimization» также возможен автоматизированный бенчмаркинг: во многих производственных цехах существуют десятки одинаковых или похожих машин, и они всегда выполняют один и тот же цикл обработки. Примером этого являются машины для литья под давлением, литья под давлением или выдувного формования и машины для глубокой вытяжки. Хотя все они структурированы одинаково, некоторые работают медленнее, чем другие. Это в основном связано с износом определенных компонентов, изменением поведения датчика или различными настройками инструмента, а также колебаниями материала.
Книга «Аналитика данных» не только предлагает хороший обзор алгоритмов интеллектуального анализа данных, которые могут использоваться в производстве и логистике, но также предоставляет конкретные варианты использования, которые могут быть успешно реализованы с помощью этих алгоритмов.
С помощью бенчмаркинга машины весь процесс сначала определяется в машине и делится на отдельные этапы. Высокочастотный соединитель на устройстве управления машиной затем создает базу данных, которая оценивается пакетом алгоритма машинного обучения. Это происходит одновременно со всеми подключенными машинами и практически объединяется в идеальный технологический процесс. Исходя из этого, инструмент сразу распознает, когда машина работает медленнее, чем предполагалось, и связывает это с технической причиной. Таким образом, пользователи могут не только устранять неисправности до их возникновения, но и получать оптимизированное время цикла для подключенных машин, комбинируя лучшие отдельные шаги. В зависимости от машины это привело к сокращению времени цикла от двух до 18 процентов в предыдущих приложениях-прототипах. Так что даже самая быстрая машина может стать еще быстрее. Приложение теперь передано в непрерывно обучающееся программное обеспечение под названием Darwin.
Исследователи нашли стартап
Darwin, интеллектуальный сравнительный анализ машин, уже использовался несколькими поставщиками автомобилей и одним производителем машин для литья под давлением, также на разных заводах. Шеннон уже используется крупными автомобильными и фармацевтическими компаниями. Для Феликса Мюллера и его двух соучредителей Томаса Хильцбрича и Пабло Майера достаточно оснований, чтобы заняться индивидуальной трудовой деятельностью с помощью «Умной оптимизации системы». Ее стартап Plus 10 GmbH в настоящее время имеет офисы в Штутгарте и Аугсбурге и недавно начал свою деятельность.
Знания - конкурентное преимущество Будьте в курсе: с нашей новостной рассылкой, редакция электротехники AUTOMATISUNG информирует вас по понедельникам, вторникам и четвергам о темах, новостях и тенденциях в отрасли.
Подпишись сейчас!