利用AI預測維護實現(xiàn)“停歇的設備”

通過實現(xiàn)狀態(tài)基準維護，開啟維護創(chuàng)新

根據(jù)裝置數(shù)據(jù)，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(xiàn)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(jù)長年培養(yǎng)出來的直覺、經(jīng)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(xiàn)預測維護

根據(jù)裝置數(shù)據(jù)，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(chǎn)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?qū)崿F(xiàn)高速高精度檢測“反常”的AI控制

憑借*的數(shù)據(jù)運用功能，實現(xiàn)了邊緣控制，從而實現(xiàn)裝置狀態(tài)可視化。
因此，AI控制器能夠以微秒級精度檢測出裝置的“反常”狀態(tài)。

AI與以往方法的檢測能力比較（電壓、電流等時間序列數(shù)據(jù)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*同步的時間序列數(shù)據(jù)。利用固定周期數(shù)據(jù)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(shù)據(jù)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(diào)諧，可以同時實現(xiàn)高速性與高精度檢測。而且可適用于多峰數(shù)據(jù)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(chǎn)等。

實現(xiàn)“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(zhuǎn)化為軟件部件

根據(jù)目標機構(gòu)的運行數(shù)據(jù)，將判斷為“反常”所需的特征量轉(zhuǎn)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。

注.針對客戶的裝置優(yōu)化學習數(shù)據(jù)、設定閾值，將由本公司進行。詳情請向本公司銷售窗口咨詢。

將環(huán)境變化的影響控制在較低限度，實現(xiàn)穩(wěn)定性

裝置起動后經(jīng)過的時間，受季節(jié)、早晚日夜等環(huán)境溫度的影響，會發(fā)生變化。
為此，本公司開發(fā)出能夠?qū)⒃撚绊懣刂圃谳^低限度的*特征量，為客戶實現(xiàn)穩(wěn)定的預測維護工作提供支持。

※歐姆龍所定義之特定環(huán)境下的評估結(jié)果。并不保證所有環(huán)境均適用。

系統(tǒng)構(gòu)成示例

全面支持利用AI實現(xiàn)的預測維護。

實現(xiàn)了AI與控制相融合的AI邊緣控