이 새로운 분석 솔루션은 장비 레벨에서 하나의 답을 제시합니다. 플러그인 제품에 제공되는 이 솔루션은 산업 네트워크에 들어가서 인버터와 상태 센서 등과 같은 자산을 발견합니다. 그리고 사전 설정된 상태 및 진단 대시보드에 생성된 데이터를 변환하여 분석을 제공합니다.
제품은 오류 인과 관계 등 장비들이 서로 어떻게 연관되어 있는지 정보를 발견하면 제품이 설치된 시스템을 파악하여 처방안을 내놓습니다. 예를 들면, 최적의 성능을 유지하기 위해 드라이브를 다시 설정해야 한다면 제품은 사용자의 스마트폰이나 태블릿에 “조치 카드”를 전송합니다.
결과적으로 유지보수 팀은 처방안 방식을 통해 사전 예방적 행동을 취하여 잠재적 다운타임을 최소화할 수 있습니다.
자동차 제조의 판도 변화
확장형 분석은 개별 자동차 애플리케이션의 판도를 바꾸는 요소입니다. 또한 이러한 혁신적 방식은 머신 러닝이 제품의 품질과 제조 속도에 의미 있는 영향을 미칠 수 있는 복잡하고 지속적인 프로세스에서 매우 중대한 역할을 할 것입니다.
예를 든다면 프리즘 파우치 셀 배터리 생산입니다. 프리즘 파우치 셀은 원통형 셀보다 부피 당 에너지를 더 많이 공급하며 전기차 시장에서 주목을 받고 있습니다.
그러나 프리즘 파우치 셀 생산에는 고도의 동작, 정밀도 및 연속적인 처리가 수반됩니다. 이러한 종류의 동적이고 변수가 다양한 환경에서 프로세스를 최적화하는 것은 어려운 과제입니다. 하지만 이것은 확장형 분석과 머신 러닝을 위한 과제라고 할 수 있습니다.
시스템은 동적 수학 모델을 이용하여 학습을 통해 하나의 변수가 다른 변수에 미치는 영향을 인식하여 최적의 결과를 위해 자동으로 후속 동작을 조절합니다. 시스템은 이와 동시에 SPC 차트와 같은 중요한 분석을 작업자에게 제공하므로 지속적인 품질 모니터링과 사전 예방적 조절이 가능합니다.
확장형 방식은 장비를 넘어 장비와 프로세스 레벨에서 적용될 수 있다는 점을 기억하십시오. 플랫폼 또한 MES, OEE와 기타 제조 작업 및 분석 시스템에 통합할 수 있기 때문에 생산 스케줄링과 에너지 관리와 같은 다양한 영역에서 기업 전반에 걸친 최적화를 촉진할 수 있습니다.
확장형 분석과 데이터 소스에서 더 나은 의사 결정을 하는 방법에 대해 자세히 알아보십시오
작성자 : Todd Montpas, 제품 매니저, 정보 소프트웨어부서, 로크웰 오토메이션
