verticale

Intelligenza artificiale sul controllore di macchina

Innovazione = Aumento della produttività. I dati devono essere elaborati al fine di ottenerne un valore proprio come il petrolio.
Esempio di una applicazione con due variabili (2/3). Isolation Forest for Anomaly Detection. Architettura AI at the Machine Level.
Librerie manutenzione predittiva: cinematica cinghia puleggia. Applicazione custom: filling machine

Scarica il PDF Scarica il PDF
Aggiungi ai preferiti Aggiungi ai preferiti


Atti di convegni o presentazioni contenenti case history
SAVE Milano aprile 2019 Industria 4.0, stato dell?arte e scenari futuri

Pubblicato
da Atti di convegno Atti di convegno
SAVE Milano 2019Segui aziendaSegui




Settori: 


Estratto del testo
Gli atti dei convegni e più di 10.000 contenuti su www.verticale.net Milano Intelligenza artificiale sul controllore di macchina
Alberto Clerici - Product Engineer Automation Innovazione = Aumento della produttività OEE ROCE Zero Stoppage Auto Tuning 1 Day Start-up 1 Second Change-Over Self Correcting Machinery Intuitive Maintenance I dati sono il nuovo oro nero' I dati devono essere elaborati
al fine di ottenerne un valore,
proprio come il petrolio. Immagazzinare i dati in silos
ha pochi benefici e riduce le
loro potenzialità. A differenza del petrolio che è
limitato, i dati sono infiniti e
riutilizzabili. L''analisi in Real-Time sui dati ''freschi' permette di
riconoscere una condizione di anomalia e
intervenire immediatamente. Cloud, Fog ed Edge Edge Fog Cloud I Dati possono essere raccolti dal campo
tramite protocolli Real Time. Il Controllore trasforma i dati in informazioni
per i livelli superiori. AI può essere utilizzata per estrarre
conoscenza dalle informazioni. Il semplicistico approccio del ''tutto in cloud'
solitamente non è realizzabile a causa di:
' Problemi riguardante la Sicurezza (IEC 62443); ' Prestazioni lontane dal Real Time; AI come riflesso spinale: '' Risposte in Real-Time (ms)
'' Machine Learning AI at the Machine Level! Anomaly production detection
Predictive maintenance Servo Laser
Sensor Load Cell Photo Thermal AI Controller Edge Computing Machine Learning Database integrato ad elevate prestazioni (nel controllore ) Torque Speed Position Temperature Vibration Weight etc. Data Mining
sul Controllore Analisi statistiche ad ogni ciclo macchina sui dati campionati Acquisizione della coppia di entrambi gli azionamenti delle lame. Esempio di una applicazione con due variabili (1/3) Taglio al volo Taglio tramite due lame 1 2 Estrazione delle Feature: analisi Offline dei dati
tramite Tool di Data Mining al fine di selezionare
quelle più rilevanti a caratterizzare il sistema. Max Torque 1 Average Torque 2 Ciascun punto
descrive un
ciclo macchina. LEARNING DATA osservazione in
due dimensioni Esempio di una applicazione con due variabili (2/3) Taglio al volo Taglio tramite due lame Max Torque 1 Average Torque 2 3 Real Time Cycle:
Acquisizione dei segnali dai sensori, estrazione delle
statistiche e confronto con i learning data.
Il motore AI calcola un punteggio.
In base a questo, si può capire il funzionamento attuale e
discriminare possibili malfunzionamenti. Bad
Machine Cycle Good
Machine Cycle ' Cutter damaged.
' Bad quality of film. ' Double film.
' Motor issues.
' Bad servo settings. ' Bad mechanical settings. Esempio di una applicazione con due variabili (3/3) Taglio al volo Taglio tramite due lame 4 Re-learning
Se le condizioni di lavoro cambiano è possibile creare un nuovo
set di Learning Data per controllare il processo così modificato.
Questa funzione si può eseguire direttamente sul Controllore. I nuovi Learning Data possono essere creati
automaticamente sulla base del
funzionamento corrente.
Es. Il manutentore può eseguire
l''apprendimento, insegnando alla macchina
quali sono le nuove condizioni di normale
funzionamento. Max Torque 1 Average Torque 2 NEW
LEARNING DATA Isolation Forest for Anomaly Detection Isolation Forest è un algoritmo di machine learning che restituisce un punteggio basato sulle iterazioni necessarie ad
isolare un''osservazione rispetto ad un campione di riferimento.
Le iterazioni sono eseguite su differenti caratteristiche (features) del campione, quindi su più dimensioni. Esempio di esecuzione in due dimensioni: Articolo: https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/tkdd11.pdf Architettura AI at the Machine Level Fusion of Control & AI Controllo Dati AI Controller Flow Temp. Pressure Temp. Pressure Calorie Position Contact/ Contactless temp. External Flow/Object '' '' Vibration Temp. Insulation Overcurrent Photo- electric proximity Code Reader Sensori e Attuatori AI app Control engine AI engine Data Storage Data Analysis Transfer Learning Data LS '' Servo 1S Firewall WebAPI Librerie manutenzione predittiva: cinematica cinghia puleggia Comportamento corretto Comportamento anomalo Applicazione custom: filling machine Video: https://www.youtube.com/watch'v=JFrk3DHotf8 Riepilogo '' Il Controllore utilizza un algoritmo di Machine Learning per Anomaly Detection. '' Monitora il comportamento di sotto-sistemi della macchina. '' Il risultato ottenuto dall''algoritmo permette di modificare il comportamento della macchina in Real-Time. '' Il sistema si integra con servizi in Cloud tramite WebAPI per successive analisi. Alberto Clerici
Product Engineer Automation
alberto.clerici@omron.com


In evidenza

SAP Italia
Trova il percorso di trasformazione digitale per la tua impresa: scarica gratis la survey SAP e IDC
Edison
Scopri le novità normative sull'ETS. Partecipa ai nostri seminari.

Articoli correlati

© Eiom - All rights Reserved     P.IVA 00850640186