Головна - Знання - Подробиці

Які алгоритми порівняння надлишкових-подвійних датчиків зазвичай використовуються?

Можна виділити три типи поширених алгоритмів порівняння надлишковості подвійних-датчиків: базовий тип введення, оптимізований розширений тип і інтелектуальний адаптивний тип, який може адаптуватися до різних рівнів складності. Вони мають такі особливості:

 

1. Метод прямого порівняння з фіксованим порогом: базовий вступний тип

Найтрадиційніший початковий алгоритм, найпростіший у використанні та підходить для простої модернізації на малих і середніх-фабриках:

Основна логіка: встановіть визначений поріг відхилення; тривога негайно вмикається, якщо вихідні сигнали двох датчиків відхиляються більше ніж порогове значення. Більше міркувати не треба.

Переваги: ​​потребує невеликої роботи з розробки та може бути записано безпосередньо на-існуючі ПЛК без складних налаштувань.

Мінуси: Дуже висока частота помилкових тривог; нездатність пристосуватися до змін процесу та старіння датчика; обмежено ситуаціями з мінімальними потребами в надійності; наразі припиняється.

 

2. Метод поетапного динамічного порогового порівняння: оптимізований розширений тип

Алгоритм, який сьогодні широко використовується в промислових умовах, підходить для лиття під тиском та інших сценаріїв періодичного виробництва:

Основна логіка: установіть чіткі порогові значення на кожному етапі процесу; послабити поріг під час динамічних фаз, таких як впорскування, запуск і зупинка; збільшити порогове значення на стадіях стабільного-стану виробництва; а також включити подвійну фільтрацію та відкладене підтвердження для зменшення перешкод.

Переваги: ​​частота помилкових тривог зменшується більш ніж на 70% порівняно з фіксованим порогом; його легко впровадити, не вимагає складної обчислювальної потужності та може бути налаштований звичайними інженерами.

Застосовні сценарії: на даний момент це найпопулярніше основне рішення для виявлення надмірностей у лиття під тиском і переробній промисловості.

 

3. 3σ Адаптивний метод оновлення порогового значення для розширеної оптимізації

ще більше зменшує-тривалі помилкові тривоги, надаючи динамічному порогу здатність реагувати автоматично:

Основна логіка: щотижня збираються історичні дані про відхилення, і принцип 3σ використовується для визначення звичайного діапазону коливань відхилення. Поріг автоматично регулюється з урахуванням дрейфу, спричиненого старими датчиками.

Переваги включають: на 30% менше помилкових тривог, ніж із встановленим динамічним порогом; надійна довгострокова-робоча стабільність; і немає потреби в періодичній зміні порогу людиною.

Відповідні ситуації: лінії масового виробництва, які працюють безперервно та потребують менше ручного обслуговування.

 

4. Інтелектуальний адаптивний тип: Експоненціально зважений метод компенсації дрейфу базової лінії (EWMA)

Інтелектуальна техніка оптимізації, яка дуже добре керує поступовим старінням датчика в -сценаріях високого рівня:

Основна логіка: автоматично коригує вихідні дані датчика старіння за допомогою експоненціально зваженого ковзного середнього (EWMA) для коригування базового відхилення між двома датчиками в реальному часі. Лише при відхиленні вище діапазону корекції лунає сигнал.

Переваги включають автоматичне поступове старіння, дуже низьку-тривалу частоту помилкових тривог, подовжений цикл заміни датчика та нижчі витрати на обслуговування.

Мінуси: вимагає певної обробки, але його легко побудувати і він може повністю підтримуватися поточними ПЛК.

 

5. Розширений інтелектуальний тип: Техніка виявлення аномалій у машинному навчанні

Високо{0}}рішення для виробничої лінії, яке є повністю автоматизованим:

Основна логіка: використовує історичні нормальні дані для навчання таких моделей, як Isolation Forest і LSTM, автоматично вивчає діапазон нормальних відхилень у різних процесах і миттєво виявляє аномальні відхилення.

Переваги: ​​Надзвичайно гнучкий, низький рівень помилкових тривог у складних і динамічних операціях;

Мінуси: наразі використовується виключно в високо-медичних і авіаційних сценаріях; вимагає багато історичних даних для навчання; вимагає трохи більшої обчислювальної потужності; не є рентабельним-для малих і середніх-галузей.

info-673-462

Послати повідомлення

Вам також може сподобатися