Fecha: 25/04/2019.
Vastas cantidades de sensores registran datos en máquinas y plantas. Cuando se analizan correctamente, estos datos pueden mejorar los procesos de fabricación y garantizar productos de alta calidad. La unidad de negocio de Industrial Analytics desarrolla los modelos necesarios para hacerlo en estrecha colaboración con los clientes, y los clientes pueden participar ellos mismos en los datos y el desarrollo del modelo.
Se pueden extraer varios conjuntos de datos, llamados características, a partir de los datos de la máquina y la planta. Estos datos pueden ser evaluados automáticamente utilizando inteligencia artificial (IA). Esto, por ejemplo, incluye la temperatura, presión, consumo de energía y vibraciones. La experiencia de proyectos anteriores muestra que las máquinas y plantas normalmente ya están registrando todos los datos importantes. En la mayoría de los casos, no se requieren sensores adicionales. El desafío real es recuperar información oculta de los datos y reconocer las correlaciones relevantes. Aquí es donde entra en juego Industrial Analytics de Weidmüller.
Hay muchas causas que pueden interrumpir el buen funcionamiento de una planta. Estas incluyen, por ejemplo, burbujas de aire en el circuito de enfriamiento que dan como resultado una menor capacidad de enfriamiento o juego de engranajes que causan movimientos imprecisos. Los científicos de datos de Weidmüller desarrollan modelos utilizando inteligencia artificial que reconoce tales desviaciones del comportamiento normal, es decir, anomalías, en datos en tiempo real. Los científicos utilizan los datos históricos como una referencia que proporciona un patrón típico para el funcionamiento de una máquina durante un período de tiempo determinado.
Durante la clasificación de anomalías, las desviaciones reconocidas se colocan en categorías de importante a sin importancia y las anomalías importantes se asignan a una causa del error. Los operadores de la máquina pueden usar esta información para reaccionar a los problemas más rápido e incluso reconocer las fallas que de otra manera podrían no haberse detectado. Un diagnóstico más rápido reduce en última instancia los tiempos de inactividad, lo que se traduce en una reducción de los costos y una producción optimizada.
La ingeniería de características es una tecnología importante para el desarrollo de modelos. En este enfoque, los valores medidos se consideran en correlaciones estadísticas complejas. Para este propósito, por ejemplo, se forman coeficientes de correlación que representan cambios interrelacionados de dos o más características a lo largo del tiempo. Los científicos de datos utilizan datos históricos de máquinas para desarrollar nuevas características. El objetivo es reconocer los patrones de desviación aún mejor y de manera más confiable de lo que sería el caso simplemente usando los datos sin procesar. Un ejemplo: las señales de alta frecuencia, como las medidas de vibración o los convertidores de frecuencia, pueden dividirse en diferentes rangos de frecuencia con sus componentes correspondientes de la señal de salida en función de métodos matemáticos. El modelo aprende los componentes de la señal característicos del comportamiento normal de una máquina.
