ドリフト開発のスローリー
粒状機器の変更は、欠陥が現れた後にのみ通知されます。
製品の品質損失は、機器の状態がゆっくりと漂流するにつれて始まります。 SV500は、電動シグネチャー分析(ESA)を使用して、モーターの負荷と動力の質を学習ベースラインとフラグの変更を早期に比較します。
小さい装置の変更は質の低下を先行できます。
粒状機器の変更は、欠陥が現れた後にのみ通知されます。
品質のデータと機器のコンディションデータは別々に保存され、根本原因は追跡しにくい。
SV500はベースラインに対してモーター負荷および力の質を比較します。
同じプロダクトおよび速度の下の学習された正常な範囲をゆっくり残すか、流れおよび力が追跡します。
電圧の不均衡、調和および電圧でき事は質によって変化する時と比較します。
MESやSPCの品質データと比較できるため、ステータスグレードやイベントの時間を保持します。
機械学習は、各資産の通常の状態を学び、固定限ではなく、負荷依存の適応しきい値でその状態を判断します。
サイトの訪問なしに、デバイスのビルトインWebダッシュボードで診断ステータスをリアルタイムにチェックし、BMSやSCADA/RTU上のXなどの高レベルのシステムに接続します。 MQTTなどの追加のインターフェイスは、プロジェクト構成に依存します。
品質の問題が出現する前に機器の状態の変化を見て下さい。
学習ベースラインから出発する画面の負荷変化。
品質記録と比較できるタイミングを変更します。
欠陥が広がりる前に点検するべきものを狭いです。
継続的に状態を監視し、異常を早期に検知することで、設備の稼働率向上に加え、保全コストの削減とエネルギー効率の改善につながります。
さらに緊急対応を減らすことで、保全要員の業務効率を高め、より計画的な設備管理が可能になります。
数値は一般的な範囲であり、現場の条件や設備によって変わります。
SV500は機器の状態変更の早期警告を与えます;それは製品品質を測定しません。品質判断は、ラインのSPC / MESデータと検査結果に依ります。