Eşikleri dinamik olarak ayarlamak için kullanılan algoritmalar nelerdir?

Uygulamanın karmaşıklığına ve ilgili koşullara bağlı olarak, eşik değerlerini dinamik olarak değiştiren algoritmalar üç kategoriye ayrılabilir. Bu kategoriler, akıllı tahminlerden hafif mühendislik uygulamalarına kadar her şeyi kapsar ve çeşitli geliştirme yeteneklerine uyum sağlar:

1. 3σ İstatistiksel Dinamik Güncelleme Yöntemi (en popüler, hafif ve kullanımı basit)

Endüstriyel ortamlarda bu en yaygın kullanılan temel algoritmadır. Fabrikaların çoğuna uygundur, basit bir mantığa sahiptir ve çok az işlem gücü gerektirir:

Temel mantık: 3σ değerinde yeni bir eşik belirlendi (normal dağılım altındaki normal dalgalanmaların %99,7'si bu aralığa düşecektir; bu aralığın aşılması anormal kabul edilir); iki sensörün tarihsel sapmalarına ilişkin haftalık istatistikler derlenir; sapmanın standart sapması σ hesaplanır;

Faydaları: Eskimeye ve değişen çalışma koşullarına uyarlanabilir; yalnızca gerçek işletim verilerine dayalı otomatik değişiklik; önceden ayarlanmış ayarlara gerek yoktur;

İlgili durumlar: Çoğunlukla kendilerini geliştiren ve değiştiren küçük ve orta{0}}ölçekli firmalar için birincil seçenek olan geleneksel enjeksiyon kalıplama üretimi.

2. Süreç Eşleştirme Bulanık Kural Algoritması (Çoklu Süreç Geçişine Uyum Sağlar)

Bu program, üretimin sık sık değiştiği durumlarda, önceden tanımlanmış kurallara dayalı olarak süreçleri dinamik olarak değiştirmek için bulanık mantık eşleştirmeyi kullanır:

Temel Mantık: Bulanık çıkarım, ürün hassasiyeti, ham madde korozyonu ve basınç derecesi gibi girdi faktörlerine dayalı olarak ilgili eşikleri otomatik olarak belirler. Örneğin "yüksek cam elyafı + yüksek basınç + hassasiyet" için %15'lik eşik gevşemesine sahip bir sonuç öneriliyor.

Avantajları: Her ürün için ayrı şablon gerektirmez; çeşitli proses kombinasyonlarına otomatik olarak uyum sağlar.

Çeşitli ürünlere, küçük partilere ve hızlı üretim ayarlamalarına sahip enjeksiyon kalıplama tesisleri uygulanabilir senaryolara örnektir.

3. Makine Öğrenimi için Tahmine Dayalı Ayarlama Algoritması (Üst-Son Teknoloji Akıllı Senaryolar)

En doğru tahmin edilen dinamik ayarlama, önceki anomali verilerini kullanan eğitim modellerine dayanan bu yaklaşımla elde edilir.

Ortak Uygulamalar: "Gerçek yaşlanma sapması" ile "çalışma koşulu girişim sapması" arasında ayrım yapmak için, eşiği yalnızca gerçek sapmaya göre değiştirerek sınıflandırma modellerini (lojistik regresyon veya hafif CNN gibi) kullanın. Alternatif olarak,-eskime alanını bir kenara bırakmak için eşiği önceden yükseltin ve sapma büyüme eğilimini tahmin etmek için LSTM'yi kullanın.

Faydaları: Geleneksel algoritmalarla karşılaştırıldığında karmaşık parazitleri tespit edebilir ve yanlış alarm oranlarını %30'un üzerinde azaltabilir.

Eksileri: Modeli eğitmek için belirli miktarda geçmiş anomali verilerinin toplanması gerekir; bu da daha fazla geliştirme çalışması gerektirir.

Büyük-ölçekli toplu üretim senaryoları ve akıllı, üst düzey enjeksiyon kalıplama üretim hatları{1}uygulanabilir senaryolara örnektir.

Şu anda aralarında en ekonomik çözüm, senaryoların %90'ından fazlasının gereksinimlerini karşılayan ve uygulama için karmaşık geliştirme gerektirmeyen 3σ istatistiksel dinamik güncelleme yöntemi + süreç aşaması bağlama kombinasyonudur.