Analytics"},"section_hierarchy":[{"id":33182,"name":"Factory","alias":"factory"},{"id":63677,"name":"Analytics","alias":"analytics"}],"taxonomy":[],"authors":[{"id":13743122,"name":"Frank Latino, Festo"}]}">

机器学习和AI改善底线

5月9日2023
机器学习和人工智能似似先验性,但这些解决方案快速发展到终端用户体验之地,将其作为改善底线实用关键工具

智能组件引入产业前 制造处理操作 置工世界数日内,长长的同一种产品减少置换并减少修补和调整

今日频繁重置 机器复杂难解较少人员拥有异常诊断洞见高成本和高赔偿责任问题 故障时间和质量差 需要接近零事件

智能构件允许行业使用机器学习人工智能实现预防性维护和分析通过仪表板或易理解消息传递关键点信息,这些技术通过及早识别外部操作和通信向团队成员传递新水平性能预测分析关闭前接收解决方案意味着更高时序、更高质量和全局改善定向维护高效使用维护资源

机器学习和AI不是流出边缘解决方案,Festo发现机器学习/AI可提高流程透明度100%,废物减少50%以上,产品拒绝成本减少45%以上机器可用性可提高25%以上非计划停机率下降20%以上

机器学习系统接受组件、机器、产品和能源系统操作数据培训AI系统制作地图代表健康性能区域地图异常提示纠正动作机器学习和AI有效映射三大操作问题:过程健康、产品质量和耗能机器学习和AI系统应当是不可知性供应商,不仅限于或侧重于分量或类型牌号,而只是获取和分析相关常住数据可操作信息演示程序应配置终端用户工作流终端用户决定显示信息的地点、时间和方式机器学习和AI使用基本运维数据学习过程、部分或能量系统的健康状态数据可以包括速度、距离、压力、流流、温度、振荡等环境因素,如湿度、托盘和循环数元件生命周期等产品一致性关键数据和能源系统效率同样清晰地描述实时实战AI搭建数字桥梁连接操作技术与信息技术

识别异常点 现在怎么办

机器学习/AI开发过程初期,终端用户显然想以最方便的方式获取AI健康/非健康数据,无论是在自己的仪表板上、院落内、边端设备上或所有三种设备上。一些客户想数据集成维护管理系统其他人想发送报警移动设备多端用户询问,他们是否可以很容易理解消息,确定问题何在、在哪里和应采取何种纠正行动其中一些终端用户希望通过短信传递信息

鉴于这些不同需求,机器学习/AI系统必须足够灵活,以便能够连接内部维护管理软件或零件管理系统以创建端对端综合解决方案终端用户的点点是确保机器学习/AI供应商提供系统面向操作需求

Frank Latino是产品管理员 电自动化 费斯托北美

本条款中的公司

赞助建议

产业更新:OT中的AI

微软人工智能与Avela和Siemens操作技术软件

cobot安全透视

自动化世界DavidGreenfield与美国SchmersalDevin Murray学习abtu风险评估

运动控制:电或气

复杂机多轴运动控制充电选择常取决于应用速度和行程长度

未来创新将如何影响机器人集成

Misa Ilkhechi突出过去五年机器人整合的变革进步,特别是在互操作性方面