Các thuật toán để điều chỉnh ngưỡng động là gì?

Dựa trên độ phức tạp của việc triển khai và các trường hợp liên quan, các thuật toán thay đổi ngưỡng linh hoạt có thể được chia thành ba loại. Các danh mục này bao gồm mọi thứ, từ dự đoán thông minh đến triển khai kỹ thuật nhẹ, thích ứng với các khả năng phát triển khác nhau:

1. 3σ Phương pháp cập nhật động thống kê (phổ biến nhất, gọn nhẹ và dễ sử dụng)

Trong môi trường công nghiệp, đây là thuật toán cơ bản được sử dụng rộng rãi nhất. Nó phù hợp với phần lớn các nhà máy, có logic đơn giản và đòi hỏi ít sức mạnh xử lý:

Logic cốt lõi: Ngưỡng mới 3σ được đặt (99,7% dao động bình thường theo phân phối chuẩn sẽ nằm trong phạm vi này; vượt quá phạm vi này được coi là bất thường); thống kê hàng tuần về độ lệch lịch sử của hai cảm biến được tổng hợp; độ lệch chuẩn σ của độ lệch được tính toán;

Lợi ích: Thích ứng với các điều kiện vận hành cũ và thay đổi; sửa đổi tự động chỉ dựa trên dữ liệu vận hành thực tế; không cần cài đặt trước;

Các tình huống liên quan: Phần lớn sản xuất khuôn ép phun truyền thống là lựa chọn chính dành cho-các công ty vừa và nhỏ đã tự phát triển và sửa đổi.

2. Thuật toán quy tắc mờ khớp quy trình (Thích ứng với chuyển đổi nhiều quy trình)

Chương trình này sử dụng kết hợp logic mờ để chuyển đổi động các quy trình dựa trên các quy tắc được xác định trước trong các tình huống khi quá trình sản xuất thay đổi thường xuyên:

Logic cốt lõi: Suy luận mờ tự động xác định các ngưỡng liên quan dựa trên các yếu tố đầu vào như độ chính xác của sản phẩm, độ ăn mòn của nguyên liệu thô và mức áp suất. Ví dụ: đối với "sợi thủy tinh cao + áp suất cao + độ chính xác", nó gợi ý kết quả có ngưỡng giảm 15%.

Lợi ích: Không yêu cầu các mẫu riêng biệt cho mỗi sản phẩm; tự động điều chỉnh theo các kết hợp quy trình khác nhau.

Cơ sở ép phun với nhiều loại sản phẩm, lô nhỏ và điều chỉnh sản xuất nhanh chóng là những ví dụ về các tình huống có thể áp dụng.

3. Thuật toán điều chỉnh dự đoán cho máy học (Kịch bản thông minh cấp cao-)

Điều chỉnh động được dự đoán chính xác nhất đạt được bằng phương pháp này, dựa trên các mô hình đào tạo sử dụng dữ liệu bất thường trước đó.

Triển khai phổ biến: Để phân biệt giữa "độ lệch lão hóa thực sự" và "độ lệch nhiễu điều kiện vận hành", hãy sử dụng các mô hình phân loại (chẳng hạn như hồi quy logistic hoặc CNN hạng nhẹ), chỉ sửa đổi ngưỡng cho độ lệch thực. Thay vào đó, hãy-khuếch đại trước ngưỡng để dành khoảng thời gian lão hóa và sử dụng LSTM để dự báo xu hướng tăng trưởng sai lệch.

Lợi ích: So với các thuật toán thông thường, nó có thể xác định nhiễu phức tạp và giảm hơn 30% tỷ lệ cảnh báo sai.

Nhược điểm: Để huấn luyện mô hình, phải thu thập một lượng dữ liệu bất thường trong lịch sử cụ thể, đòi hỏi nhiều công việc phát triển hơn.

Các kịch bản sản xuất hàng loạt-quy mô lớn và các dây chuyền sản xuất ép phun thông minh,{1}}cao cấp là ví dụ về các kịch bản có thể áp dụng.

Hiện tại, giải pháp tiết kiệm nhất trong số đó là sự kết hợp giữa phương pháp cập nhật động thống kê 3σ + ràng buộc giai đoạn quy trình, đáp ứng yêu cầu của hơn 90% kịch bản và không yêu cầu phát triển phức tạp để triển khai.