在線客服
微信客服
點擊圖片查看原圖
[VIP第4年] 指數:4
利用AI預測維護實現“永不停歇的設備”
通過實現狀態基準維護，開啟維護創新
根據裝置數據，實時監控“反常”狀態，并在與裝置狀態對應的較佳時機實現狀態基準維護。
【From事后/定期維護】由熟練技工進行事后/定期維護
根據長年培養出來的直覺、經驗，執行事后/定期維護（時間基準維護）。
【To預測維護】利用AI控制器實現預測維護
根據裝置數據，AI將對裝置狀態進行監控。
并在與裝置狀態對應的較佳時機執行預測維護（狀態基準維護）。
【采用預測維護的預期效果】
1. 較小化停機時間，減少生產損耗
2. 在較佳時機進行維護，削減維護費用
3. 優化零件更換時機，減少維護零件的庫存
4. 無需分析即可確定異常位置
5. 無需專門知識/技能，即可開展標準化的維護工作
利用AI進行預測維護的操作流程
能夠實現高速高精度檢測“反常”的AI控制
憑借***的數據運用功能，實現了邊緣控制，從而實現***的裝置狀態可視化。
因此，AI控制器能夠以微秒級精度檢測出裝置的“反常”狀態。
AI與以往方法的檢測能力比較（電壓、電流等時間序列數據示例）
高速高精度檢測所需的功能
搭載高速時間序列DB功能
累計與控制周期完全同步的時間序列數據。利用固定周期數據正確掌握裝置的動作，可以生成和判斷高精度的學習模型。此外，利用上位連接功能，通過上位層裝置層進行AI聯合，為Factory IoT化做出貢獻。
檢測“反常”狀態所需的數據運用流程
搭載超高速AI引擎
以適用于實時處理的機器學習引擎Isolation Forest為基礎，進行歐姆龍***的高精度化調諧，可以同時實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作模式的裝置，如多品種生產等。
實現“永不停歇的設備”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”所需的較佳特征量轉化為軟件部件，作為AI預測維護程序庫。可輕松開啟預測維護工作。
注.針對客戶的裝置優化學習數據、設定閾值，將由本公司進行。詳情請向本公司銷售窗口咨詢。
將環境變化的影響控制在較低限度，實現穩定性
裝置起動后經過的時間，受季節、早晚日夜等環境溫度的影響，會發生變化。
為此，本公司開發出能夠將該影響控制在較低限度的***特征量，為客戶實現穩定的預測維護工作提供支持。
※歐姆龍所定義之特定環境下的評估結果。并不保證所有環境均適用。
系統構成示例
全面支持利用AI實現的預測維護。
