Dürr ນໍາສະເຫນີ Advanced Analytics, ຄໍາຮ້ອງສະຫມັກ AI ທໍາອິດທີ່ກຽມພ້ອມໃນຕະຫຼາດສໍາລັບຮ້ານສີ.ສ່ວນຫນຶ່ງຂອງໂມດູນຫລ້າສຸດໃນຊຸດຜະລິດຕະພັນ DXQanalyze, ການແກ້ໄຂນີ້ລວມເອົາເຕັກໂນໂລຢີ IT ຫລ້າສຸດແລະປະສົບການຂອງDürrໃນຂະແຫນງວິສະວະກໍາກົນຈັກ, ກໍານົດແຫຼ່ງຂໍ້ບົກພ່ອງ, ກໍານົດໂຄງການບໍາລຸງຮັກສາທີ່ດີທີ່ສຸດ, ຕິດຕາມຄວາມສໍາພັນທີ່ບໍ່ຮູ້ມາກ່ອນແລະນໍາໃຊ້ຄວາມຮູ້ນີ້ເພື່ອປັບຕົວ. algorithm ກັບລະບົບການນໍາໃຊ້ຫຼັກການການຮຽນຮູ້ດ້ວຍຕົນເອງ.
ເປັນຫຍັງຊິ້ນສ່ວນຕ່າງໆມັກຈະສະແດງຂໍ້ບົກພ່ອງດຽວກັນ?ເມື່ອໃດຫລ້າສຸດທີ່ເຄື່ອງປະສົມໃນຫຸ່ນຍົນສາມາດທົດແທນໄດ້ໂດຍບໍ່ຕ້ອງຢຸດເຄື່ອງຈັກ?ການມີຄໍາຕອບທີ່ຖືກຕ້ອງແລະຊັດເຈນສໍາລັບຄໍາຖາມເຫຼົ່ານີ້ແມ່ນພື້ນຖານສໍາລັບຄວາມສໍາເລັດທາງດ້ານເສດຖະກິດທີ່ຍືນຍົງຍ້ອນວ່າມັນທຸກໆຂໍ້ບົກພ່ອງຫຼືທຸກໆການບໍາລຸງຮັກສາທີ່ບໍ່ຈໍາເປັນທີ່ສາມາດຫຼີກເວັ້ນໄດ້ຊ່ວຍປະຢັດເງິນຫຼືປັບປຸງຄຸນນະພາບຂອງຜະລິດຕະພັນ."ກ່ອນນີ້, ມີການແກ້ໄຂທີ່ຊັດເຈນຫນ້ອຍທີ່ສຸດທີ່ຈະອະນຸຍາດໃຫ້ພວກເຮົາກໍານົດຂໍ້ບົກພ່ອງດ້ານຄຸນນະພາບຫຼືຄວາມລົ້ມເຫລວໃນທັນທີ.ແລະຖ້າມີ, ໂດຍທົ່ວໄປແລ້ວພວກມັນແມ່ນອີງໃສ່ການປະເມີນຄູ່ມືທີ່ສະຫລາດຂອງຂໍ້ມູນຫຼືຄວາມພະຍາຍາມໃນການທົດລອງແລະຄວາມຜິດພາດ.ໃນປັດຈຸບັນຂະບວນການນີ້ແມ່ນຖືກຕ້ອງແລະອັດຕະໂນມັດຫຼາຍຍ້ອນປັນຍາປະດິດ", Gerhard Alonso Garcia, ຮອງປະທານຂອງ MES & ລະບົບຄວບຄຸມຢູ່Dürr .
ຊຸດຜະລິດຕະພັນດິຈິຕອລ DXQanalyze ຂອງ Dürr, ເຊິ່ງລວມເອົາໂມດູນ Data Acquisition ສໍາລັບການໄດ້ຮັບຂໍ້ມູນການຜະລິດ, Visual Analytics ສໍາລັບການເບິ່ງເຫັນມັນ, ແລະ Streaming Analytics, ປະຈຸບັນສາມາດນັບໄດ້ກ່ຽວກັບການຮຽນຮູ້ຕົນເອງໃຫມ່ Advanced Analytics Plant ແລະລະບົບການຕິດຕາມຂະບວນການ.
ແອັບພລິເຄຊັນ AI ມີຄວາມຊົງຈໍາຂອງມັນ
ລັກສະນະພິເສດຂອງ Advanced Analytics ແມ່ນວ່າໂມດູນນີ້ລວມເອົາຂໍ້ມູນຈໍານວນຫລາຍລວມທັງຂໍ້ມູນປະຫວັດສາດກັບການຮຽນຮູ້ເຄື່ອງຈັກ.ນີ້ຫມາຍຄວາມວ່າຄໍາຮ້ອງສະຫມັກ AI ການຮຽນຮູ້ດ້ວຍຕົນເອງມີຄວາມຊົງຈໍາຂອງຕົນເອງແລະດັ່ງນັ້ນມັນສາມາດນໍາໃຊ້ຂໍ້ມູນຈາກອະດີດເພື່ອທັງສອງຮັບຮູ້ຄວາມສໍາພັນທີ່ຊັບຊ້ອນໃນຈໍານວນຂໍ້ມູນຈໍານວນຫລາຍແລະຄາດຄະເນເຫດການໃນອະນາຄົດດ້ວຍຄວາມແມ່ນຍໍາສູງໂດຍອີງໃສ່ປະຈຸບັນ. ເງື່ອນໄຂຂອງເຄື່ອງຈັກ.ມີຫຼາຍຄໍາຮ້ອງສະຫມັກສໍາລັບການນີ້ຢູ່ໃນຮ້ານສີ, ບໍ່ວ່າຈະຢູ່ໃນອົງປະກອບ, ຂະບວນການ, ຫຼືລະດັບພືດ.
ການບໍາລຸງຮັກສາທີ່ຄາດເດົາໄດ້ຫຼຸດຜ່ອນການຢຸດເຊົາຂອງພືດ
ໃນເວລາທີ່ມັນມາກັບອົງປະກອບ, Advanced Analytics ມີຈຸດປະສົງເພື່ອຫຼຸດຜ່ອນການ downtimes ໂດຍຜ່ານການຄາດຄະເນການບໍາລຸງຮັກສາແລະການສ້ອມແປງຂໍ້ມູນຂ່າວສານ, ສໍາລັບການຍົກຕົວຢ່າງໂດຍຄາດຄະເນຊີວິດການບໍລິການທີ່ຍັງເຫຼືອຂອງ mixer.ຖ້າອົງປະກອບຖືກທົດແທນໄວເກີນໄປ, ຄ່າໃຊ້ຈ່າຍຂອງອາໄຫຼ່ເພີ່ມຂຶ້ນແລະດັ່ງນັ້ນຄ່າໃຊ້ຈ່າຍໃນການສ້ອມແປງທົ່ວໄປເພີ່ມຂຶ້ນໂດຍບໍ່ຈໍາເປັນ.ໃນທາງກົງກັນຂ້າມ, ຖ້າມັນຖືກປະໄວ້ດົນເກີນໄປ, ມັນສາມາດເຮັດໃຫ້ເກີດບັນຫາດ້ານຄຸນນະພາບໃນລະຫວ່າງຂະບວນການເຄືອບແລະການຢຸດເຄື່ອງ.ການວິເຄາະຂັ້ນສູງເລີ່ມຕົ້ນໂດຍການຮຽນຮູ້ຕົວຊີ້ວັດການສວມໃສ່ແລະຮູບແບບຊົ່ວຄາວຂອງການສວມໃສ່ໂດຍໃຊ້ຂໍ້ມູນຫຸ່ນຍົນທີ່ມີຄວາມຖີ່ສູງ.ເນື່ອງຈາກຂໍ້ມູນຖືກບັນທຶກ ແລະຕິດຕາມຢ່າງຕໍ່ເນື່ອງ, ໂມດູນການຮຽນຮູ້ເຄື່ອງຈັກຈະຮັບຮູ້ທ່າອ່ຽງຂອງຜູ້ສູງອາຍຸເປັນສ່ວນບຸກຄົນສໍາລັບອົງປະກອບທີ່ກ່ຽວຂ້ອງໂດຍອີງໃສ່ການນໍາໃຊ້ຕົວຈິງແລະໃນວິທີການນີ້ຄິດໄລ່ເວລາການທົດແທນທີ່ດີທີ່ສຸດ.
ເສັ້ນໂຄ້ງອຸນຫະພູມຢ່າງຕໍ່ເນື່ອງຈຳລອງໂດຍການຮຽນຮູ້ຂອງເຄື່ອງຈັກ
ການວິເຄາະຂັ້ນສູງປັບປຸງຄຸນນະພາບໃນລະດັບຂະບວນການໂດຍການກໍານົດຄວາມຜິດປົກກະຕິ, ຕົວຢ່າງໂດຍການຈໍາລອງເສັ້ນໂຄ້ງຄວາມຮ້ອນໃນເຕົາອົບ.ຈົນກ່ວາໃນປັດຈຸບັນ, ຜູ້ຜະລິດມີພຽງແຕ່ຂໍ້ມູນທີ່ກໍານົດໂດຍເຊັນເຊີໃນລະຫວ່າງການແລ່ນການວັດແທກ.ຢ່າງໃດກໍ່ຕາມ, ເສັ້ນໂຄ້ງຄວາມຮ້ອນທີ່ມີຄວາມສໍາຄັນພື້ນຖານໃນດ້ານຄຸນນະພາບຂອງຕົວລົດແມ່ນແຕກຕ່າງກັນນັບຕັ້ງແຕ່ອາຍຸຂອງເຕົາອົບ, ໃນລະຫວ່າງໄລຍະລະຫວ່າງການວັດແທກ.ການສວມໃສ່ນີ້ເຮັດໃຫ້ເກີດການເຫນັງຕີງຂອງສະພາບແວດລ້ອມ, ຕົວຢ່າງໃນຄວາມເຂັ້ມຂອງການໄຫຼຂອງອາກາດ.“ມາຮອດປັດຈຸບັນ, ຮ່າງກາຍເປັນພັນໆໄດ້ຖືກຜະລິດໂດຍບໍ່ຮູ້ເຖິງອຸນຫະພູມທີ່ແນ່ນອນທີ່ຮ່າງກາຍແຕ່ລະຄົນໄດ້ຮັບຄວາມຮ້ອນ.ການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ, ໂມດູນການວິເຄາະຂັ້ນສູງຂອງພວກເຮົາຈໍາລອງການປ່ຽນແປງຂອງອຸນຫະພູມພາຍໃຕ້ເງື່ອນໄຂທີ່ແຕກຕ່າງກັນ.ນີ້ສະເຫນີໃຫ້ລູກຄ້າຂອງພວກເຮົາມີຫຼັກຖານຢັ້ງຢືນຄຸນນະພາບຢ່າງຖາວອນສໍາລັບແຕ່ລະພາກສ່ວນແລະອະນຸຍາດໃຫ້ພວກເຂົາກໍານົດຄວາມຜິດປົກກະຕິ, "ອະທິບາຍ Gerhard Alonso Garcia.
ອັດຕາການແລ່ນຄັ້ງທໍາອິດທີ່ສູງຂຶ້ນຈະເພີ່ມປະສິດທິພາບອຸປະກອນໂດຍລວມ
ສໍາລັບ implant, ຊອບແວ DXQplant.analytics ຖືກນໍາໃຊ້ປະສົມປະສານກັບໂມດູນ Advanced Analytics ເພື່ອເພີ່ມປະສິດຕິພາບໂດຍລວມຂອງອຸປະກອນ.ການແກ້ໄຂອັດສະລິຍະຂອງຜູ້ຜະລິດເຍຍລະມັນຕິດຕາມຂໍ້ບົກພ່ອງດ້ານຄຸນນະພາບທີ່ເກີດຂື້ນໃນປະເພດຕົວແບບສະເພາະ, ສີສະເພາະຫຼືສ່ວນຂອງຮ່າງກາຍແຕ່ລະຄົນ.ນີ້ເຮັດໃຫ້ລູກຄ້າເຂົ້າໃຈວ່າຂັ້ນຕອນໃດໃນຂະບວນການຜະລິດແມ່ນຮັບຜິດຊອບສໍາລັບການ deviations.ຂໍ້ບົກຜ່ອງດັ່ງກ່າວແລະເຮັດໃຫ້ເກີດຄວາມກ່ຽວຂ້ອງກັນຈະເພີ່ມອັດຕາການແລ່ນຄັ້ງທໍາອິດໃນອະນາຄົດໂດຍອະນຸຍາດໃຫ້ແຊກແຊງໃນໄລຍະຕົ້ນ.
ການປະສົມປະສານລະຫວ່າງວິສະວະກໍາພືດແລະຄວາມຊໍານານດິຈິຕອນ
ການພັດທະນາແບບຈໍາລອງຂໍ້ມູນທີ່ເຂົ້າກັນໄດ້ກັບ AI ແມ່ນຂະບວນການທີ່ສັບສົນຫຼາຍ.ໃນຄວາມເປັນຈິງ, ເພື່ອຜະລິດຜົນໄດ້ຮັບອັດສະລິຍະດ້ວຍການຮຽນຮູ້ເຄື່ອງຈັກ, ມັນບໍ່ພຽງພໍທີ່ຈະໃສ່ຈໍານວນຂໍ້ມູນທີ່ບໍ່ໄດ້ລະບຸໄວ້ໃນລະບົບ "smart" algorithm.ສັນຍານທີ່ກ່ຽວຂ້ອງຕ້ອງໄດ້ຮັບການເກັບກໍາ, ຄັດເລືອກຢ່າງລະມັດລະວັງແລະປະສົມປະສານກັບຂໍ້ມູນເພີ່ມເຕີມທີ່ມີໂຄງສ້າງຈາກການຜະລິດ.Durr ສາມາດອອກແບບຊອບແວທີ່ສະຫນັບສະຫນູນສະຖານະການການນໍາໃຊ້ທີ່ແຕກຕ່າງກັນ, ສະຫນອງສະພາບແວດລ້ອມ runtime ສໍາລັບຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກແລະລິເລີ່ມການຝຶກອົບຮົມຕົວແບບ.“ການພັດທະນາການແກ້ໄຂນີ້ແມ່ນການທ້າທາຍທີ່ແທ້ຈິງຍ້ອນວ່າບໍ່ມີຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຖືກຕ້ອງແລະບໍ່ມີສະພາບແວດລ້ອມ runtime ທີ່ເຫມາະສົມທີ່ພວກເຮົາສາມາດນໍາໃຊ້ໄດ້.ເພື່ອໃຫ້ສາມາດໃຊ້ AI ໃນລະດັບໂຮງງານ, ພວກເຮົາໄດ້ລວມເອົາຄວາມຮູ້ທາງດ້ານກົນຈັກ ແລະ ວິສະວະກໍາພືດກັບຜູ້ຊ່ຽວຊານດ້ານໂຮງງານດິຈິຕອລຂອງພວກເຮົາ.ນີ້ເຮັດໃຫ້ການແກ້ໄຂປັນຍາປະດິດທໍາອິດສໍາລັບຮ້ານສີ", Gerhard Alonso Garcia ເວົ້າ.
ທັກສະ ແລະຄວາມຮູ້ລວມກັນເພື່ອພັດທະນາ Advanced Analytics
ທີມງານ interdisciplinary ປະກອບດ້ວຍນັກວິທະຍາສາດຂໍ້ມູນ, ນັກວິທະຍາສາດຄອມພິວເຕີແລະຜູ້ຊ່ຽວຊານຂະບວນການພັດທະນາການແກ້ໄຂອັດສະລິຍະນີ້.Durr ຍັງໄດ້ເຂົ້າໄປໃນການຮ່ວມມືຮ່ວມມືກັບຜູ້ຜະລິດລົດຍົນທີ່ສໍາຄັນຈໍານວນຫນຶ່ງ.ດ້ວຍວິທີນີ້, ນັກພັດທະນາມີຂໍ້ມູນການຜະລິດໃນຊີວິດຈິງແລະສະພາບແວດລ້ອມສະຖານທີ່ເບຕ້າໃນການຜະລິດສໍາລັບກໍລະນີຄໍາຮ້ອງສະຫມັກທີ່ແຕກຕ່າງກັນ.ທໍາອິດ, ສູດການຄິດໄລ່ໄດ້ຖືກຝຶກອົບຮົມຢູ່ໃນຫ້ອງທົດລອງໂດຍໃຊ້ກໍລະນີທົດສອບຈໍານວນຫລາຍ.ຫຼັງຈາກນັ້ນ, ສູດການຄິດໄລ່ໄດ້ສືບຕໍ່ການຮຽນຮູ້ຢູ່ໃນສະຖານທີ່ໃນລະຫວ່າງການປະຕິບັດຕົວຈິງແລະປັບຕົວເຂົ້າກັບສະພາບແວດລ້ອມແລະເງື່ອນໄຂຂອງການນໍາໃຊ້.ໄລຍະເບຕ້າໄດ້ຖືກສໍາເລັດເມື່ອບໍ່ດົນມານີ້ຢ່າງສໍາເລັດຜົນແລະສະແດງໃຫ້ເຫັນວ່າມັນມີທ່າແຮງ AI ຫຼາຍປານໃດ.ຄໍາຮ້ອງສະຫມັກພາກປະຕິບັດທໍາອິດແມ່ນສະແດງໃຫ້ເຫັນວ່າຊອບແວຈາກDürr optimizes ການມີພືດແລະຄຸນນະພາບພື້ນຜິວຂອງອົງການຈັດຕັ້ງ painted.
ເວລາປະກາດ: 16-03-2022