利用AI預測維護實(shí)現“停歇的設備”

通過(guò)實(shí)現狀態(tài)基準維護，開(kāi)啟維護創(chuàng )新

根據裝置數據，實(shí)時(shí)監控“反常”狀態(tài)，并在與裝置狀態(tài)對應的較佳時(shí)機實(shí)現狀態(tài)基準維護。

【From事后/定期維護】由熟練技工進(jìn)行事后/定期維護

根據長(cháng)年培養出來(lái)的直覺(jué)、經(jīng)驗，執行事后/定期維護（時(shí)間基準維護）。

【To預測維護】利用AI控制器實(shí)現預測維護

根據裝置數據，AI將對裝置狀態(tài)進(jìn)行監控。
并在與裝置狀態(tài)對應的較佳時(shí)機執行預測維護（狀態(tài)基準維護）。

【采用預測維護的預期效果】

1. 較小化停機時(shí)間，減少生產(chǎn)損耗
2. 在較佳時(shí)機進(jìn)行維護，削減維護費用
3. 優(yōu)化零件更換時(shí)機，減少維護零件的庫存
4. 無(wú)需分析即可確定異常位置
5. 無(wú)需專(zhuān)門(mén)知識/技能，即可開(kāi)展標準化的維護工作

利用AI進(jìn)行預測維護的操作流程

能夠實(shí)現高速高精度檢測“反常”的AI控制

憑借*的數據運用功能，實(shí)現了邊緣控制，從而實(shí)現裝置狀態(tài)可視化。
因此，AI控制器能夠以微秒級精度檢測出裝置的“反常”狀態(tài)。

AI與以往方法的檢測能力比較（電壓、電流等時(shí)間序列數據示例）

高速高精度檢測所需的功能

搭載高速時(shí)間序列DB功能

累計與控制周期*同步的時(shí)間序列數據。利用固定周期數據正確掌握裝置的動(dòng)作，可以生成和判斷高精度的學(xué)習模型。此外，利用上位連接功能，通過(guò)上位層裝置層進(jìn)行AI聯(lián)合，為Factory IoT化做出貢獻。

檢測“反常”狀態(tài)所需的數據運用流程

搭載超高速AI引擎

以適用于實(shí)時(shí)處理的機器學(xué)習引擎Isolation Forest為基礎，進(jìn)行歐姆龍*的高精度化調諧，可以同時(shí)實(shí)現高速性與高精度檢測。而且可適用于多峰數據算法，以及適用于需要執行多種動(dòng)作模式的裝置，如多品種生產(chǎn)等。

實(shí)現“停歇的設備”之AI預測維護程序庫

將能夠高精度檢測“反常”的特征量轉化為軟件部件

根據目標機構的運行數據，將判斷為“反常”所需的特征量轉化為軟件部件，作為AI預測維護程序庫。
可輕松開(kāi)啟預測維護工作。

注.針對客戶(hù)的裝置優(yōu)化學(xué)習數據、設定閾值，將由本公司進(jìn)行。詳情請向本公司銷(xiāo)售窗口咨詢(xún)。

將環(huán)境變化的影響控制在較低限度，實(shí)現穩定性

裝置起動(dòng)后經(jīng)過(guò)的時(shí)間，受季節、早晚日夜等環(huán)境溫度的影響，會(huì )發(fā)生變化。
為此，本公司開(kāi)發(fā)出能夠將該影響控制在較低限度的*特征量，為客戶(hù)實(shí)現穩定的預測維護工作提供支持。

※歐姆龍所定義之特定環(huán)境下的評估結果。并不保證所有環(huán)境均適用。

系統構成示例

全面支持利用AI實(shí)現的預測維護。

實(shí)現了AI與控制相融合的AI邊緣控