01。

 

背景

 

 

隨著互聯設備越來越廣泛、可採集的數據體量越來越大以及機器學習和人工智慧技術的進步，機器學習與物聯網的結合在改善工業運營、智慧製造方面呈現出越來越大的應用潛力。

 

雖然終端設備採集數據能力的不斷發展，但大多數工廠對於數據分析的應用卻沒有與時俱進。 如何分析這些數據、挖掘出數據中的洞察，並根據所揭示的資訊做出決策，這些都是優化工廠流程、帶來經濟效益的關鍵。 其中，數據分析又以"即時"監控數據最難實現。

 

以工業自動化生產中的設備故障預測和產品品質評估為例。 這是一個旨在預測機器部件故障並觸發預防性維護的程式。 它可以防止意外事件造成的損害，並幫助機構計劃運營以及停機維護時間。 同時，根據生產產品時自動生成的各類數據來判斷產品品質的優劣。 那麼，如何將機器學習用於工業流程實時監控？

 

02。

 

機器學習用於工業流程實時監控

 

 

下圖介紹了利用 Altair 資料分析產品，形成一個完整的「機器學習+工業流程即時監控」的解決方案。

 

Altair-Data-Analytics-IoT-ML-智能工厂.png

image
 

1。

建立機器學習模型

首先，利用前期生成的歷史數據，建立機器學習模型，得到相關的策略，比如判斷機器發生故障的概率，根據生產數據判斷產品品質合格與否的標準。

 

Altair Knowledge Studio™ 作為一個專業的通用機器學習、預測分析工具，可以在完全可視化、無需編碼的環境下生成機器學習模型，並把訓練好的模型自動生成 Python 或其它語言的代碼，然後部署到伺服器或邊緣設備上。

 

 

2。

實時可視化

 

其次，利用 Altair Panopticon™ 即時流處理和可視化工具，把之前生成的機器學習模型部署進去，然後把終端設備採集的生產數據，先通過機器學習模型對數據進行分析和判斷，然後根據其中部署的策略給出判斷，最後在可視化端通過多種圖表形式，以互動式的方式展示出來，並設置一些報警閾值。

 

03

 

案例分享

 

 

本案例介紹了利用 Altair Knowledge Studio + Altair Panopticon 來預測和監控藥品化學生產過程的品質。

 

Altair-Data-Analytics-IoT-ML-智能工厂-2.png

 

上圖為某企業自動化生產的實際生產流程圖，由於只能使用細粉片劑來繼續該流程的下一步，那麼細粉片劑的品質就影響後續最終產品品質，為此，我們需要實時監控生產流程中細粉片劑的品質。

 

流程拆解

 

首先收集歷史數據，並把之前觀察到的實際結果一起存儲，以便知道每一批次的好壞。

 

利用 Knowledge Studio建立決策樹模型，訓練到結果滿意後，輸出 Python 代碼，並導入到 Panopticon 中。

 

在 Panopticon 中，結合實際的生產流程和作業順序，構建一個 Smart Factory 工作簿，並連接即時生產資料。

 

觀察每個感測器傳輸過來的數據測量結果（利用部署的決策樹模型），可以提供當前狀態的明確資訊。

 

調用時間序列資料庫的歷史數據，查看歷史所有數據預測結果。

 

研究不同輸入參數是如何影響處理批次的結果的。

 

點擊下方視頻，

瞭解更多案例詳情↓↓↓

 

arrow
arrow
    文章標籤
    Altair 澳汰爾工程 數據分析 data analysis
    全站熱搜

    Altair Taiwan 發表在 痞客邦 留言(0) 人氣()

    E-mail轉寄