Algoritmy pro dynamickou úpravu prahových hodnot lze kategorizovat do tří typů na základě složitosti implementace a použitelných scénářů, které pokrývají vše od lehkých technických implementací po inteligentní predikci, přizpůsobení různým vývojovým schopnostem:
1. 3σ Metoda statistické dynamické aktualizace (nejběžněji používaná, nenáročná a snadno implementovatelná)
Toto je nejběžnější základní algoritmus v průmyslových scénářích. Má jednoduchou logiku, nízké výpočetní zatížení a je vhodný pro většinu továren:
Základní logika: Sestaví se týdenní statistika historických odchylek dvou senzorů, vypočítá se směrodatná odchylka σ odchylky a nový práh se nastaví na 3σ (99,7 % normálních fluktuací při normálním rozdělení bude spadat do tohoto rozsahu; překročení tohoto rozsahu je považováno za abnormální);
Výhody: Automatické přizpůsobení založené výhradně na skutečných provozních datech, nejsou vyžadovány žádné přednastavené parametry, přizpůsobitelné stárnutí a změnám provozních podmínek;
Použitelné scénáře: Většina konvenčních vstřikovacích forem, první volba pro vlastní -vyvinuté a upravené malé a střední- továrny.
2. Algoritmus fuzzy pravidla pro procesní párování (přizpůsobí se vícenásobnému přepínání procesů)
U scénářů s častými změnami ve výrobě tento algoritmus dynamicky přepíná procesy na základě přednastavených pravidel pomocí fuzzy logického párování:
Základní logika: Použitím přesnosti produktu, korozivnosti suroviny a hodnocení tlaku jako vstupních proměnných, fuzzy inference automaticky vypočítá odpovídající prahové hodnoty. Například pro "vysoké skleněné vlákno + vysoký tlak + přesnost" odvozuje výsledek s 15% uvolněním prahu.
Výhody: Automaticky se přizpůsobuje různým kombinacím procesů, aniž by bylo nutné pro každý produkt vyžadovat samostatné šablony.
Použitelné scénáře: Vstřikovací lisy s více variantami produktů, malé šarže a časté změny ve výrobě.
3. Algoritmus prediktivní úpravy strojového učení (pokročilé-inteligentní scénáře)
Na základě trénovacích modelů využívajících historická data anomálií dosahuje tento algoritmus prediktivního dynamického přizpůsobení s nejvyšší přesností.
Společné implementace: Použijte klasifikační modely (jako je logistická regrese nebo odlehčená CNN) k rozlišení mezi „skutečnou odchylkou stárnutí“ a „odchylkou interference provozních podmínek“, přičemž upravte práh pouze pro skutečnou odchylku. Alternativně použijte LSTM k předpovědi trendu růstu odchylky a předem-zesilte práh, abyste si rezervovali prostor pro stárnutí.
Výhody: Dokáže rozlišit složité rušení, snižuje počet falešných poplachů o více než 30 % ve srovnání s tradičními algoritmy.
Nevýhody: Vyžaduje nashromáždění určitého množství historických dat anomálií pro trénování modelu, což má za následek větší úsilí při vývoji.
Použitelné scénáře: Inteligentní špičkové-výrobní linky na vstřikování plastů a scénáře velkosériové výroby-.
Kombinace metody statistické dynamické aktualizace 3σ + vázání fáze procesu je v současnosti nákladově-nejefektivnějším řešením, které splňuje potřeby více než 90 % scénářů a nevyžaduje žádný složitý vývoj pro implementaci.
