Kokie yra slenksčių dinaminio koregavimo algoritmai?

Atsižvelgiant į įgyvendinimo sudėtingumą ir svarbias aplinkybes, dinaminio slenksčių keitimo algoritmus galima suskirstyti į tris kategorijas. Šios kategorijos apima viską, nuo pažangaus numatymo iki lengvų inžinerinių diegimų, prisitaikančių prie įvairių kūrimo galimybių:

1. 3σ Statistinio dinaminio atnaujinimo metodas (populiariausias, lengviausias ir paprasčiausias naudoti)

Pramonėje tai yra plačiausiai naudojamas pagrindinis algoritmas. Jis tinka daugeliui gamyklų, turi aiškią logiką ir reikalauja mažai apdorojimo galios:

Pagrindinė logika: nustatoma nauja 3σ riba (99,7 % normalių svyravimų esant normaliam pasiskirstymui pateks į šį diapazoną; šio diapazono viršijimas laikomas nenormaliu); sudaroma savaitinė dviejų jutiklių istorinių nuokrypių statistika; apskaičiuojamas nuokrypio standartinis nuokrypis σ;

Privalumai: prisitaiko prie senėjimo ir perjungimo darbo sąlygų; automatinis modifikavimas, pagrįstas tik faktiniais veikimo duomenimis; nereikia iš anksto nustatytų nustatymų;

Susijusios situacijos: dauguma tradicinės liejimo liejimo gamybos, kuri yra pagrindinė galimybė mažoms ir vidutinėms įmonėms, kurios susikūrė ir modifikavo save.

2. Procesų atitikimo neaiškios taisyklės algoritmas (prisitaiko prie kelių procesų perjungimo)

Ši programa naudoja neaiškią logiką, kad dinamiškai perjungtų procesus pagal iš anksto nustatytas taisykles tais atvejais, kai gamyba dažnai keičiasi:

Pagrindinė logika: neaiškios išvados automatiškai nustato atitinkamas slenksčius pagal įvesties veiksnius, tokius kaip produkto tikslumas, žaliavos korozija ir slėgio įvertinimas. Pavyzdžiui, „didelis stiklo pluoštas + aukštas slėgis + tikslumas“ siūlo rezultatą su 15 % atsipalaidavimo riba.

Privalumai: nereikalauja atskirų šablonų kiekvienam produktui; automatiškai prisitaiko prie įvairių procesų derinių.

Taikomų scenarijų pavyzdžiai yra liejimo įrenginiai su įvairiais produktais, mažomis partijomis ir greitu gamybos koregavimu.

3. Mašininio mokymosi nuspėjamasis koregavimo algoritmas (pažangūs{1}}pažangūs scenarijai)

Tiksliausias numatomas dinaminis koregavimas pasiekiamas šiuo metodu, kuris pagrįstas mokymo modeliais, naudojant ankstesnius anomalijų duomenis.

Įprasti įgyvendinimai: norėdami atskirti „tikrąjį senėjimo nuokrypį“ nuo „eksploatavimo sąlygų trukdžių nuokrypio“, naudokite klasifikavimo modelius (tokius, kaip logistinė regresija arba lengvasis CNN), pakeisdami slenkstį tik pagal tikrąjį nuokrypį. Kaip alternatyvą, iš anksto-padidinkite slenkstį, kad atidėtų senėjimo erdvę, ir naudokite LSTM, kad prognozuotumėte nuokrypių augimo tendenciją.

Privalumai: Palyginti su įprastais algoritmais, jis gali nustatyti sudėtingus trukdžius ir sumažinti klaidingų pavojaus signalų skaičių daugiau nei 30%.

Suvart: norint parengti modelį, reikia surinkti tam tikrą istorinių anomalijų duomenų kiekį, todėl reikia daugiau tobulinimo darbų.

Taikomų scenarijų pavyzdžiai yra{0}}didelės apimties serijinės gamybos scenarijai ir pažangios, aukščiausios klasės{1}}įpurškimo liejimo gamybos linijos.

Šiuo metu ekonomiškiausias sprendimas tarp jų yra 3σ statistinio dinaminio atnaujinimo metodo + proceso etapo įrišimo derinys, kuris tenkina daugiau nei 90% scenarijų reikalavimus ir nereikalauja kompleksinio kūrimo jo įgyvendinimui.