利用AI預測維護實現“永不停歇的設備”

通過實現狀態(tài)基準維護，開啟維護創(chuàng)新

根據裝置數據，實時監(jiān)控“反常”狀態(tài)，并在與裝置狀態(tài)對應的較佳時機實現狀態(tài)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(yǎng)出來的直覺、經驗，執(zhí)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(tài)進行監(jiān)控。
并在與裝置狀態(tài)對應的較佳時機執(zhí)行預測維護（狀態(tài)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(yōu)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

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(lián)合，為Factory IoT化做出貢獻。
  
 

檢測“反常”狀態(tài)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(zhí)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。
  

 

系統(tǒng)構成示例

全面支持利用AI實現的預測維護。