产品:80
联系我们
今天，人工智能已经成为智能制造和工业互联网的一个热门话题，人们对人工智能提出了很高的期望。然而，人工智能必须与人类经验相结合，才能*大限度地发挥其作用，特别是在工业领域。工业生产往往是由机电过程复杂系统、多变量和复杂的系统机制相互作用组成的。因此，如何将人工智能算法与模型和工业现场应用场景相结合，这一要求本身就是一种创新。如何用简单的方法解决实际问题，也是评价创新的关键环节。机器学习作为人工智能的重要内容之一，是解决工业问题的有效方法。
当很贵的「单晶硅」
"多线切割机"
中国是世界上*大的晶硅电池组件的制造国。
单晶硅电池经过长晶体和方形切割后进入切片过程。在这个过程中，送出轮的钢丝通过四轴绕组（3000匝以上），然后被拔出，并将正方形晶体棒放置在其上，然后将石英砂研磨材料加载到钢丝上，然后通过随后的清洗、翻边，将晶体棒切割成单片。蚀刻、减反射膜（PECVD）等工艺，并通过层压铺设和组装工艺成为光伏组件，提供电源容量。
MWS生产结晶硅电池是*重要的设备，是在连续操作日，是非常重的负载设备，它会直接影响的工厂的生产能力和产品质量的稳定性和可靠性。大家都知道，单晶硅棒价格昂贵，所以至关重要的预测如何提高多线锯的健康。在切削的生产过程中，因为如果在废品裂解机器故障的结果，然后硅棒所造成的损失，停机和劳动力成本损失将是非常高的。
多线切割机的机械结构示意图
为了更好地提升用户体验和服务效率，上述高维护状态下测得的监测基础上，基于原来的机器学习模型预测性维护的开发。
「预测性维护」
挑战重重
预测维修并不是一种新的设备维修方案。近几十年来，它在航空发动机、大型鼓风机等领域得到了广泛的应用。
由于使用了专门的分析模型，这些预测性维护往往需要对机械故障模型进行深入研究，并且通常需要非常专业的维护人员。 航空发动机等重型设备的维修费用仍然很高，但这种方法对于工业设备往往是不经济的，航空发动机领域的知识也不容易转移到其他行业，每个垂直领域都有非常具体的运行条件和系统机制。
「数字驱动」
为设备提供稳定保障
数字驱动机器学习的持续发展使得在机器固有的复杂建模的基础上进行预测维护成为可能，通过数据分析可以对潜在风险进行评估和预测，为设备提供稳定可靠的保证。
/无需额外硬件支持/
高度表MWS B＆R平板电脑系统中使用的控制系统。平板电脑是可以集成PC的计算能力，PLC实时控制能力和丰富的Windows人机界面开发能力的综合控制系统。由于该算法具有开放的支持能力，该系统只需要对学习算法设计现有计算机硬件和软件平台的基础上进行的，没有专门的机器学习系统或其他类似的AI加速器硬件的任何额外的配置。原系统本身提供牵引点温度的轴，四个驱动轴分别设置有温度检测模块提供输入采样。
传统的无监督学习算法通过实验已经不能满足应用场景的需要，因此工程师们需要定制一种无监督学习算法来更有针对性地解决系统问题。由于自动化工作室平台的开放性，工程师可以定制机器学习算法。
工程师们选择了一个基于特征提取的非监督式学习模型来完成学习过程。 在该系统中，工程师在电流、电压、温度、速度和位置等多个参数中选择4个轴承温度作为测量点，构造了一种温度相关特征提取策略。 这是 ml 算法设计的一个重要部分，它必须保证数据的有效性和相互关联性。
在此基础上，对这些参数进行适当的运算处理，得到温度残差，即获得温度的斜率平均值(斜率的平均值)，然后基于以下三个目标参数对残差数据进行学习，求出其*优值：
滑动窗口1.检测：WITH（秒）
2.发散水平阈值: α
3.比例阈值：β
通过大量的数据学习（20GB以上的数据），得到W，α，β的*优组合。
衡量系统有效性的关键指标是“检测率”和“虚警率” ，这两个参数通常成对出现。 在算法设计中，对检测率的追求会导致门限设置的降低和虚警率的提高，因此需要设置合适的门限来寻求*优的故障预测。 通过在15台机器上削减数千美元，检测率达到90% ，预测维护系统的误报率仅为0.2% ，达到了高于预期的学习效果和很高的投资回报。
创新是在*小输入处获得*大输出。该系统具有极高的预测效果，无需额外的硬件资源输入，充分体现了人类智能与机器学习的完美结合。
来源：网络
更多资讯：ABB机器人