Giải pháp
Đo
Hệ
IIoT
Thiết lập quy chuẩn sức khỏe máy móc
Loại bỏ sản phẩm lỗi trên dây chuyền
Tại sao cần thiết?
Thiết lập quy chuẩn sức khỏe cho máy móc thiết bị
Học máy (Machine Learning) là gì? Nói một cách đơn giản, học máy là quá trình tích lũy dữ liệu thông qua các chương trình máy tính. Dựa trên sự tích lũy này, chương trình sử dụng các thuật toán đặc biệt để tự động phân tích, thống kê và phán đoán, từ đó đưa ra quyết định độc lập hoặc dự báo kết quả. Đây là một dạng học tập kinh nghiệm thông minh của chương trình máy tính nhằm giúp người dùng tăng độ chính xác và cải thiện các quyết định được đưa ra. Học máy là một nhánh của Trí tuệ nhân tạo (AI). Lịch sử nghiên cứu AI luôn đi theo lộ trình trọng tâm vào "suy luận", "kiến thức" và "học tập". Học máy chính là một con đường để hiện thực hóa AI, tức là sử dụng các phương thức học máy để giải quyết các vấn đề trong trí tuệ nhân tạo.
Trong những năm gần đây, các thiết bị công nghiệp luôn dựa vào công nghệ đo lường hiệu suất cao để nâng cao tỷ lệ sản phẩm đạt tiêu chuẩn và sản lượng trên dây chuyền, đồng thời cải thiện hiệu suất thiết bị thông qua kết quả đo lường và thu thập dữ liệu lớn. Do đó, khả năng tự phán đoán trạng thái thiết bị và ngăn ngừa các tình huống bất ngờ đã trở thành đề tài nghiên cứu chuyên sâu của các doanh nghiệp. Hệ thống giám sát thông minh học máy OLVMS®-ML do Good Tech ra mắt được thiết kế dành riêng cho việc giám sát động các loại thiết bị cơ khí. Người dùng chỉ cần thiết lập quy chuẩn sức khỏe đơn giản, hệ thống sẽ tự học các chuyển động, dựa trên số liệu thống kê tích lũy để đưa ra phân tích và phán đoán. Từ đó, doanh nghiệp có thể lập kế hoạch bảo trì dự đoán và hỗ trợ các kỹ sư tối ưu hóa quy trình thiết kế dây chuyền sản xuất.
Giải quyết vấn đề
Các hành vi bất thường thường gặp ở máy móc
Bất thường hệ thống truyền động (Motor) các trục
Rung lắc/chấn động cơ khí bất thường
Lỗi chỉ định kịch bản (recipe) sản xuất
Bất thường trình tự/thời gian hành động cơ khí
Mài mòn và lão hóa cơ khí
Va chạm máy không dự báo trước
Xung động chấn động môi trường ngoài quá lớn
Góc độ hành động cơ khí bất thường lớn
Cùng với việc quy trình sản xuất ngày càng tinh vi, yêu cầu về hành vi hành động của thiết bị cũng ngày càng cao. Với hệ thống OLVMS®-ML, các hành vi động cơ khí có thể được chuẩn hóa để kiểm soát quy trình vận hành, phát hiện và giải quyết các lỗi thiết bị, từ đó giúp dây chuyền nâng cao hiệu suất và giảm thiểu chi phí.
Đặc điểm nổi bật
Dành cho thiết bị sản xuất theo chu kỳ
Hệ thống OLVMS®-ML chuyên dùng để giám sát động các thiết bị sản xuất có tính chu kỳ (lặp đi lặp lại). Người dùng chỉ cần thiết lập quy chuẩn sức khỏe đơn giản, hệ thống sẽ tự học hành vi dựa trên dữ liệu tích lũy để đưa ra phân tích, giúp doanh nghiệp lập kế hoạch bảo trì dự đoán và tối ưu hóa quy trình thiết kế dây chuyền.
Khác với các thiết bị đo thông thường chỉ có đơn chức năng, OLVMS®-ML có khả năng tự động học và ghi nhớ các chuyển động cơ khí phức tạp, nắm bắt trạng thái sức khỏe thiết bị, dự báo lỗi, lão hóa hoặc độ sai lệch (offset) trong các hành vi động học.
Học tập nhanh chóng
Chọn nhanh tín hiệu mục tiêu, thiết lập hành vi học máy.
Lắp đặt tức thì
Lắp đặt nhanh chóng, bất kể thiết bị đang vận hành hay mới lắp.
Tự động nhận diện
Nhận dạng hành vi thời gian thực, trích xuất đúng chu kỳ để so sánh.
Kiểm tra đa nhiệm
Thực hiện đồng thời nhiều thuật toán phán đoán tình trạng.
Tính toán thông minh
Cung cấp dữ liệu tham chiếu cho các mô hình tính toán AI.
Hiển thị kết quả
Mọi cảnh báo có thể kết hợp với đầu ra I/O ngoại vi.
Đặc điểm nổi bật
Số hóa kinh nghiệm chuyên gia, học nhanh chu kỳ mục tiêu
OLVMS®-ML cho phép người dùng tự thiết kế các chế độ kiểm tra sức khỏe, học tập nhanh chóng các hành vi sản xuất lặp lại. Hệ thống lấy kinh nghiệm của "con người" làm nền tảng để chuyển hóa thành giám sát dựa trên quy tắc (Rule Base), chỉ giữ lại các phân đoạn then chốt cần quan tâm, tránh thu thập dữ liệu rác và tập trung vào vùng cốt lõi.
Hệ thống có thể học các mô hình "kịch bản" (recipe) khác nhau. Khi máy thực hiện các động tác khác nhau, hệ thống sẽ tự đối chiếu với thư viện mô hình để xác định và giám sát tương ứng.
Tích hợp các thuật toán: Biên độ, Tần số, Pha, Wavelet, Độ lệch chuẩn, Độ ổn định...
Đặc điểm nổi bật
Tự động theo dõi tín hiệu gia công, phán đoán kết quả tức thì
Khi máy móc thực hiện các lệnh sản xuất khác nhau, hệ thống sẽ tự động so khớp với thư viện mô hình để phán đoán. Ngay cả khi quá trình sản xuất gặp bất thường hoặc nhiễu bên ngoài, công nghệ nhận dạng tự động vẫn có thể xác định chính xác liệu tín hiệu đó có thuộc cùng một chu kỳ chuyển động hay không để đưa ra kết quả.
So sánh "Dấu vân âm thanh" máy móc
Tương tự như dấu vân tay con người, mỗi thiết bị khi vận hành đều có các đặc trưng độc nhất về tần số, âm sắc và nhịp điệu. Công nghệ nhận dạng tự động trích xuất các đặc trưng động lực học bao gồm phổ tần, mô hình rung động để thực hiện tính toán so khớp, xác định tín hiệu mục tiêu.
Thuật toán nội bộ: Biên độ, Tần số, Pha, Wavelet, Độ lệch chuẩn, Độ ổn định...
Đặc điểm nổi bật
Công nghệ tích lũy nhận dạng đặc trưng cơ khí
Tương quan biên độ động: Mô tả độ ổn định chu kỳ, xu hướng giảm thể hiện thiết bị đang lão hóa.
Chỉ số bất thường đặc trưng tần số: Mô tả mức độ tần số lạ phát sinh bên trong/ngoài thiết bị.
Chỉ số bất thường đặc trưng xung đột (Spike): Mô tả mức độ các xung đột đột ngột phát sinh.
Chỉ số năng lượng phổ: Mô tả độ ổn định của các bộ phận chuyển động và cấu trúc.
Tương quan tần số động: Mô tả độ ổn định tần số chu kỳ.
Chuyển giao kinh nghiệm ⮕ Giám sát tức thì ⮕ Quản lý xu hướng ⮕ Làm sạch dữ liệu ⮕ AI hóa
Đặc điểm nổi bật
Cung cấp tham số tính toán AI kết hợp biểu đồ xu hướng
Hệ thống cung cấp các tham số đầu vào cho AI, giúp đội ngũ R＆D và kiểm thử có dữ liệu xác thực để tối ưu hóa quy trình. Trong kỷ nguyên Công nghiệp 4.0, các yêu cầu về nâng cao năng lực sản xuất và duy trì tỷ lệ thành phẩm (yield rate) được giải quyết nhanh chóng thông qua xử lý trí tuệ nhân tạo.
Điểm tương đồng hành động
Điểm tương đồng tần số động
Điểm biên độ trung bình chu kỳ
Điểm số lượng xung đột chu kỳ
Hệ thống đo lường
tối ưu liên tục
OLVMS®-ML là hệ thống đo lường hàng đầu cho máy móc công nghiệp, liên tục được tối ưu hóa dựa trên phản hồi thực tế từ khách hàng.
Giao diện chức năng UI
Hướng dẫn phương thức nhận diện bất thường
Hệ thống đơn giản hóa khối lượng dữ liệu khổng lồ thành cơ chế chấm điểm dễ hiểu. Lớp ngoài - Sức khỏe máy: Kết hợp trạng thái động như điểm tương đồng, số lần vượt ngưỡng rung động/tần số. Lớp trong - Chấm điểm vận hành động. Đèn xanh: Bình thường, Vàng: Cảnh báo, Đỏ: Bất thường.
Cơ chế chấm điểm (Sức khỏe máy)
Cảnh báo va chạm (rung động cực đại)
Quản lý trạng thái vận hành động
Đường vàng: Quy chuẩn tín hiệu thiết lập
Đường trắng: Tín hiệu đo lường thực tế.
Quy trình ứng dụng
Quy trình tinh lọc dữ liệu
Quy trình tinh lọc dữ liệu giúp chuyển hóa các thuật toán và dữ liệu phức tạp thành điểm số và hệ thống đèn báo tín hiệu.
Mô tả kiến trúc
OLVMS®-ML Phiên bản đơn máy đơn kênh
Hệ thống giám sát thông minh học máy OLVMS®-ML sử dụng khả năng tự động trích xuất các hành vi chu kỳ chính xác để so sánh và đưa ra phán đoán kết quả. Ngoài việc nắm bắt sức khỏe thiết bị, hệ thống còn cung cấp cơ sở cải thiện cho đơn vị vận hành, từ đó kiểm tra sớm trạng thái và kéo dài tuổi thọ hoạt động của thiết bị.
OLVMS®-ML Phiên bản đơn máy đơn kênh:
● Đánh giá liệu các hành vi của thiết bị có tính chu kỳ để giám sát hay không.
● Đánh giá tỷ lệ phát hiện bất thường và so sánh trạng thái giữa thiết bị tốt/lỗi.
● Ghi chép giám sát ngắn hạn cho một thiết bị duy nhất, xác nhận khả năng giám sát trực tuyến liên tục.
● Kiểm soát rủi ro khi triển khai song song.
● Có tính di động, sử dụng như một công cụ kiểm tra trạng thái thiết bị tuần tra.
● Thu thập và xác nhận dữ liệu về mức độ ổn định sau khi sửa chữa máy (burn-in test).
Mô tả kiến trúc
OLVMS®-ML Phiên bản đơn máy đa kênh
Hệ thống giám sát OLVMS®-ML phiên bản đơn máy đa kênh được chia thành các loại: 4, 6, 8, 10, 12, 16 kênh (channel).
OLVMS®-ML Phiên bản đơn máy đa kênh:
● Phù hợp khi cấu hình thiết bị trong xưởng tập trung, số lượng trong vòng 16 máy.
● Dành cho các máy mục tiêu không có kế hoạch mở rộng thêm trong tương lai.
● Một thiết bị cốt lõi duy nhất có nhiều bộ phận chuyển động quan trọng cần được giám sát và quản lý thời gian thực.
Mô tả kiến trúc
Kiến trúc phân tán OLVMS®-ML DDS
Hệ thống giám sát Kiến trúc phân tán OLVMS®-ML DDS bao gồm: Hệ thống tính toán cốt lõi ML CORE, Thiết bị thu thập Edge (Biên) và Hệ thống quản lý trung tâm (War Room).
● Bất kỳ thiết bị Edge và hệ thống tính toán cốt lõi phân tán nào cũng có thể chạy trong cùng một phân đoạn mạng.
● Có thể lắp đặt thêm hệ thống tính toán cốt lõi phân tán ở bất kỳ đâu trong mạng nội bộ.
● Có thể mở rộng hệ thống Edge ở bất kỳ vị trí nào trong cùng mạng nội bộ.
● Một bộ tính toán phân tán hỗ trợ hệ thống Edge lên đến 24 kênh.
● Phần mềm được cập nhật thống nhất trên hệ thống này.
● Phân loại hệ thống Edge: 1, 8, 16 kênh.
AI hóa dây chuyền
Loại bỏ sản phẩm lỗi
Trong sản xuất công nghiệp, chất lượng sản phẩm là yếu tố cốt lõi quan trọng nhất. Hệ thống OLVMS®-ML giúp phát hiện sớm các vấn đề trên dây chuyền, chủ động ngăn chặn việc sản xuất ra sản phẩm lỗi.
Lợi ích sử dụng
Cung cấp cơ sở cải tiến thực tiễn cho doanh nghiệp
Hệ thống OLVMS®-ML tự động trích xuất các hành vi chu kỳ chính xác để so sánh và đưa ra phán đoán kết quả tức thì. Những kết quả này không chỉ giúp hiểu rõ sức khỏe thiết bị mà còn cung cấp dữ liệu cơ sở để cải tiến quy trình, từ đó kiểm tra sớm trạng thái, kéo dài tuổi thọ thiết bị. Giải pháp giúp doanh nghiệp duy trì tối ưu dây chuyền, nâng cao tỷ lệ thành phẩm, đảm bảo máy móc ổn định và giảm chi phí bảo trì.
Phát hiện bất thường tức thì
Lắp đặt nhanh chóng, bất kể thiết bị mới hay đang vận hành.
Hiểu rõ sức khỏe thiết bị
Kiểm soát tình trạng máy, lập lịch sửa chữa hiệu quả.
Dự báo hỏng hóc cơ khí
Thấu hiểu thiết bị, xử lý điểm lỗi kịp thời.
Đảm bảo tỷ lệ thành phẩm
Thiết lập quy chuẩn sức khỏe, đảm bảo tính đồng nhất sản phẩm.
Thu thập dữ liệu dễ dàng
Dễ dàng thu thập dữ liệu tham chiếu cho tính toán AI.
Nâng cao hiệu suất làm việc
Giảm đáng kể gánh nặng công việc cho đội ngũ kỹ thuật.
Lợi ích sử dụng
Cung cấp cơ sở cải tiến thực tiễn cho doanh nghiệp
Support
Các trường hợp ứng dụng học máy khác
