case-study
software Industrial Analytics da Weidmüller: torna a ERjPMWI de dados palpável %W QjUYMREW I SW TVSGIWWSW TVSHYXMZSW IWXnS E KIVEV GSRXMRYEQIRXI HEHSW I EW IQTVIWEW UYI GSRWIKYIQ XVEHY^MV IWWIW QIWQSW HEHSW IQ MRSZEp~IW SFXsQ MQTSVXERXIW ZERXEKIRW GSQTIXMXMZEW Com um software EQMKjZIP E ;IMHQ PPIV HMWTSRMFMPM^E EXYEPQIRXI QqXSHSW HI -RXIPMKsRGME %VXM½GMEP TEVE JEFVMGERXIW HI QjUYMREW I IQTVIWEW HI QERYJEXYVE
Para a análise de dados de máquinas e processos com o Industrial Analytics, são usados modelos complexos que conseguem detetar anomalias ou mesmo prever o comportamento futuro de uma máquina. Os métodos HI -RXIPMKsRGME %VXM½GMEP -% I Machine Learning (ML) são usados para descobrir relações previamente desconhecidas entre valores medidos, usando recursos derivados de dados brutos. As informações necessárias estão disponíveis em quase todas as emTVIWEW %S HIWIRZSPZIV QSHIPSW HI ERjPMWI WMKRM½GEXMZSW QYMXEW IQTVIWEW ainda dependem do suporte externo de analistas de dados. A Weidmüller desenvolveu uma solução inovadora e amigável que, até mesmo, os utilizadores sem nenhuma formação estatística sejam capazes de entender e gerar modelos analíticos. Em estreita cooperação com o utilizador ½REP SW IWTIGMEPMWXEW IQ HEHSW HE ;IMHQ PPIV MHIRXM½GEQ GSVVIPEp~IW VIlevantes nos valores medidos e treinam o modelo inicial. Após a aplicação bem-sucedida, o modelo inicial é repetidamente alimentado com novos dados e desenvolvido ainda mais ao longo de todo o ciclo de vida da máquina. Isso aumenta a qualidade das informações ao longo do tempo. “Aplicações semelhantes estão, atualmente, a ser utilizadas nas áreas de ½RXIGL FERGSW I QEVOIXMRK 2S IRXERXS EW WSPYp~IW I\MWXIRXIW RnS WnS EHIquadas para a engenharia de máquinas e instalações, porque não suportam os tipos de dados relevantes do setor de automação. Exigem sempre um banco de dados ideal”, explicou Carlos Paiz Gatica, Gestor de Produto da BU Industrial Analytics. “Além disso não fornecem a capacidade de integrar o conhecimento do domínio do utilizador, o que é essencial para aplicações industriais”. Para o software automatizado de Machine Learning, os especialistas em ERjPMWI HE ;IMHQ PPIV GSQFMREQ SW HEHSW I MRJSVQEp~IW IWTIGu½GSW HS cliente com algoritmos para gerar, automaticamente, modelos adequados. As etapas de trabalho a seguir descrevem o processo de geração de modelo, utilizando a deteção de anomalias como exemplo: 7IPIpnS HI HEHSW HI JSVQEpnS A empresa decide quais os conjuntos de dados que devem ser usados para aprender o comportamento normal de uma máquina ou processo produtivo. Para esse propósito, uma visão geral dos dados brutos é gerada primeiro, que suporta o utilizador na avaliação do conteúdo informativo dos dados. 62
)RKIRLEVME HI VIGYVWSW 7I SW HEHSW FVYXSW RnS JSVIQ WY½GMIRXIW MRJSVQEp~IW EHMGMSREMW TSHIQ ser geradas na sua base. O utilizador pode usar o seu conhecimento para criar novos recursos. Estes podem, por exemplo, descrever o curso da mudança de temperatura em vez de apenas mostrar estados individuais. Usando estes recursos, a condição da máquina pode ser melhor avaliada do que com os dados brutos.