Forkort prøve- og feilsyklusene og øk produksjonseffektiviteten
FoU-bakgrunn
Produktkvalitet påvirkes av faktorer som svingninger i råmaterialekvalitet og aldring av produksjonsutstyr. For å bidra til å løse disse problemene, forvandler produsentene seg digitalt gjennom teknologier som AI, Big Data og Industrial Internet of Things (IIOT).
Yokogawas prosessdataanalysesoftware bruker MahalanobisTaguchi (MT) metoden * for raskt og effektivt å samle temperatur, trykk, flyt, nivå og andre prosessdata fra PIMS, analysere anleggsoperasjon og vedlikeholdsstatusinformasjon, og kjøre historiske data. Brukes i forbindelse med Yokogawa's analytiske tjenester, kan programvaren effektivt forbedre produktkvaliteten.
Siden utgivelsen av prosessdataanalyse R1.01 i mai 2017, jobbet Yokogawa med kundeprosessingeniører og dataeksperter for å forbedre produktet. Takket være deres innsats har programvaren blitt forbedret for å importere og analysere PIMS-data fra andre leverandører, forenkle og akselerere oppsettendringer og beregninger, og gjøre rapporter enklere. Disse forbedringene i programvaren forbedrer operasjonell effektivitet og kvaliteten på dataanalysen, og forkorter prøve- og feilsyklusen.
Funksjoner: Importer data fra PIMS som støtter OPC-standarden
I forskjellige fabrikker rundt om i verden brukes en rekke datainnsamlingssystemer fra ulike leverandører. For effektiv analyse er det viktig å ha tilgang til alle dataene som samles inn av disse systemene. Prosessdataanalyseprogrammet kjører på en Windows®-PC og kan få tilgang til filer konvertert fra PIMS, DCS og PLC til CSV-format. Prosessdataanalyse R1.02 leveres med en OPC Historical Data Access (HDA) grensesnitt, en global standard for datautveksling innen industriell automasjon og andre felt. Takket være denne funksjonen kan programvaren enkelt importere data som støtter standarden fra PIMS.
Forbedret drift
For å lette analysen av dataene, behandler dataanalyse R1.02 tillater overlegg av datakart for flere prosesser. Det er nå også mulig å enkelt endre innstillinger som data startpunkt og displayfarge avhengig av produksjonsforhold. Benchmarks utført av Yokogawa-analytikere viser at disse funksjonene reduserer dataanalysetid med 80%.
Fang / del analyseresultater
For å lette utvekslingen av dataanalyseresultatene mellom ingeniører, tilføyer prosessdataanalyse R1.02 nye funksjoner, slik at ingeniører kan ta opp diagrammer som viser resultatene av analysen og lime inn dataene i en generell rapporteringsprogramvare. Dette eliminerer mengden arbeid som kreves for å lage et diagram, og analytikere kan fokusere på forskning og diskutere resultatene.
fremtidig utvikling
Produsenter trenger tilgang til og analysere feltdata for å forbedre kvalitet og produktivitet, og flytte til cloud computing, kunstig intelligens, store data, IIoT og andre avanserte teknologier og løsninger for å møte dette behovet. For å møte disse behovene og hjelpe kundene med å forbedre produktkvaliteten, vil Yokogawa fortsette å utvikle produkter som bruker disse teknologiene og løsningene.
Mahalanobis Taguchi (MT) Metode *: En mønstergenkjenningsteknikk oppkalt etter Dr. PC Mahalanobis. Dr. Mahalanobis foreslo Mahalanobis avstanden (et multivariat tiltak basert på korrelasjonen mellom variabler), og Dr. Genichi Taguchi er en av nøkkeltallene som driver utviklingen av kvalitetsteknikk. Basert på avstanden mellom referansedataene og prøvedataene, kan metoden kvantitativt bestemme avviket fra måldataene.
Hvis du ønsker å kjøpe en matvareprosessor, må du være oppmerksom på kaffemaskinens motor.
