根据装置数据,实时监控“反常”状态,并在与装置状态对应的较佳时机实现状态基准维护。
信息更新: 2021年11月18日
根据装置数据,实时监控“反常”状态,并在与装置状态对应的较佳时机实现状态基准维护。
根据长年培养出来的直觉、经验,执行事后/定期维护(时间基准维护)。
根据装置数据,AI将对装置状态进行监控。
并在与装置状态对应的较佳时机执行预测维护(状态基准维护)。
1. 较小化停机时间,减少生产损耗
2. 在较佳时机进行维护,削减维护费用
3. 优化零件更换时机,减少维护零件的库存
4. 无需分析即可确定异常位置
5. 无需专门知识/技能,即可开展标准化的维护工作
凭借独有的数据运用功能,实现了边缘控制,从而实现前所未有的装置状态可视化。
因此,AI控制器能够以微秒级精度检测出装置的“反常”状态。
累计与控制周期完全同步的时间序列数据。利用固定周期数据正确掌握装置的动作,可以生成和判断高精度的学习模型。此外,利用上位连接功能,通过上位层装置层进行AI联合,为Factory IoT化做出贡献。
以适用于实时处理的机器学习引擎Isolation Forest为基础,进行欧姆龙独有的高精度化调谐,可以同时实现高速性与高精度检测。而且可适用于多峰数据算法,以及适用于需要执行多种动作模式的装置,如多品种生产等。
根据目标机构的运行数据,将判断为“反常”所需的较佳特征量转化为软件部件,作为AI预测维护程序库。可轻松开启预测维护工作。
注.针对客户的装置优化学习数据、设定阈值,将由本公司进行。详情请向本公司销售窗口咨询。
装置起动后经过的时间,受季节、早晚日夜等环境温度的影响,会发生变化。
为此,本公司开发出能够将该影响控制在较低限度的独有特征量,为客户实现稳定的预测维护工作提供支持。
※欧姆龙所定义之特定环境下的评估结果。并不保证所有环境均适用。
全面支持利用AI实现的预测维护。
信息更新: 2021年11月18日