MELSOFT MaiLab
MELSOFT MaiLab je orodje za analizo podatkov v proizvodnih okoljih s pomočjo umetne inteligence. MELSOFT MaiLab omogoča predvidevanje kvalitete proizvodov in preventivno vzdrževanje.
Problematika v današnji proizvodnji:
- Izvajanje dela starejših operaterjev na podlagi izkušenj in prenašanje znanja na mlajše operaterje
- Vzdrževanje strojev - menjavanje delov stroja tudi, ko to ni potrebno zaradi potencialnih zastojev linije
- Pogosto nastavljanje strojev zaradi vpliva zunanjih dejavnikov in kvalitete vhodnih materialov
MELSOFT MaiLab kot orodje za analizo podatkov izboljšuje proizvodnjo z nadomeščanjem izkušenj in intuicije operaterjev z digitalno tehnologijo ter poenostavlja integracijo ključnih parametrov v nadzorne sisteme.
Uporabnost orodja MELSOFT MaiLab:
Zmanjšanje stroškov z uporabo umetne inteligence
- Kako izbrati optimalen trenutek za menjavo delov stroja in katere parametre je potrebno spremljati?
- Generiranje modela umetne inteligence za preventivno vzdrževanje zahteva obsežno znanje, pripravo in testiranje modelov.
Prenos znanja iz izkušenih operaterjev na nove generacije
- Potrebno je digitalizirati znanje izkušenih operaterjev in izvesti prenos znanja na mlajše operaterje s pomočjo umetne inteligence.
Izboljšana produktivnost in kvaliteta proizvodov
- Čeprav obstajajo usposobljeni operaterji za nadzor kakovosti izdelkov, je vsak operater drugačen, enotnost podatkov pa ne obstaja - ali lahko ta problem reši umetna inteligenca?
Analiza in diagnostika podatkov v štirih korakih:
Predpogoj - zajemanje podatkov
Preučite katere podatke je potrebno zajemati, na kakšen način in v kakšni obliki. MaiLab podpira:
- CSV
- OPC UA
- Baze podatkov
- ME FA Connector
1. korak - ustvarjanje nabora podatkov (Offline)
Naložite podatke za analizo v Mailab in jih registrirajte. Registrirani niz podatkov je mogoče prikazati v tabelah ali grafih.
2. korak - ustvarjanje AI modela (Offline)
Izberite eno od vnaprej konfiguriranih AI metod ter ustvarite umetno inteligenco z učenjem na naloženem nizu podatkov.
3. korak - ustvarjanje naloge (Realtime)
Ustvarite postopek za diagnostiko podatkov, po potrebi modificirajte AI model in ustvarite nalogo, katero bo umetna inteligenca izvajala ter konfigurirajte izhodne rezultate analize.
4. korak - izvajanje in nadzor
Zaženite izvajanje nalog ter sledite rezultatom umetne inteligence na grafičnem zaslonu v obliki grafikona in tabličnega prikaza. Programsko orodje bo predlagalo parametre glede na postavljeno AI metodo.
Različne možnosti za analizo podatkov za reševanje vseh izzivov:
Avtomatsko nastavljanje parametrov
Deep learning
Odkrivanje odstopanj od normalnega delovanja
MT metoda (Mahalanonis - Taguchi)
Odkrivanje nepričakovanih krivulj
Prepoznavanje podobnih krivulj
Metoda analize, ki samodejno snuje in trenira enostavne nevronske mreže.
Metoda analize, ki izračunava stopnjo anomalij z MT metodo.
Metoda analize, ki ocenjuje proizvode kot dobre ali slabe glede na podobnost z normalnimi podatki krivulj.
