Koneoppiminen (teollinen)
Teollisuudessa koneoppiminen kouluttaa algoritmeja historiallisella anturi- ja prosessidatalla ennustaakseen vikoja, havaitakseen poikkeamia, optimoidakseen asetusarvoja ja ennustaakseen laatua — ilman, että sitä ohjelmoidaan eksplisiittisesti taustalla olevalla fysiikalla. Se voimistaa useimpia nykyaikaisia ennustavia ja optimointityökaluja.
Teollinen koneoppiminen oppii prosessin tai koneen normaalin käyttäytymisen datasta ja merkitsee sitten poikkeamat tai ennustaa lopputulokset. Sovelluksia ovat laitevikojen ennustaminen, prosessipoikkeamien havaitseminen, energian ja saannon optimointi sekä tuotteen laadun ennustaminen. Sen tarkkuus riippuu datan laadusta, vikojen merkityistä esimerkeistä ja toimialaosaamisesta ongelman kehystämiseen ja tulosten tulkintaan.
Aiheeseen liittyvät termit
Anomaly Detection · Predictive Maintenance (PdM) · Digital Twin · Edge Computing (Industrial)
Aiheeseen liittyvät oppaat
Ohjelmistot
Augury
Machine health monitoring for rotating equipment using vibration and AI.
AVEVA Predictive Analytics
Early-warning analytics for critical process and power assets.
Siemens Senseye Predictive Maintenance
Scalable predictive maintenance that learns from existing condition data.