Gibt es leicht verfügbare Redundanzvergleichsalgorithmen für zwei Sensoren, die optimiert werden können?
Eine Nachricht hinterlassen
Im industriellen Bereich gibt es derzeit viele etablierte, kommerziell verfügbare Frameworks, die leicht geändert und verbessert werden können, ohne dass sie von Grund auf neu erstellt werden müssen. Üblicherweise werden drei Arten wiederverwendbarer Lösungen verwendet:
1. Die grundlegenden Algorithmen der Spritzgießmaschinen, die am einfachsten zu optimieren sind
Heutzutage sind grundlegende Dual-{0}Sensor-Vergleichsfunktionen bereits in beliebte Spritzgießmaschinen von Herstellern wie Haitian, Fanuc und KraussMaffei integriert, insbesondere in High-End-Modelle. Typischerweise wird in diesen Basisversionen die Methode „fester Schwellenwert + einfache Mittelung“ verwendet. Für das Upgrade sind lediglich zwei kleine Änderungen erforderlich:
Ermöglichen Sie Benutzern, die Schwellenwertparameter zu ändern und den festen Schwellenwert durch einen dynamischen Schwellenwert zu ersetzen, der sich je nach Operationsphase ändert.
Um unmittelbare Störungen zu eliminieren, integrieren Sie eine Abweichungstrendbeurteilung und eine Gleitfensterfilterung. Bei unglaublich geringen Änderungskosten kann dadurch die Fehlalarmrate von über 20 % auf etwa 5 % gesenkt werden, was es für die Verbesserung aktueller Geräte geeignet macht.
2. Industrielle Sensorredundanzverarbeitungsmethoden, die Open-Source sind und unabhängig geändert werden können
Open-Source-Sites wie GitHub bieten ausgefeilte Frameworks für den Redundanzvergleich industrieller Temperatur-/Drucksensoren. Das IndustrialSensorRedundancy-Projekt hat beispielsweise grundlegende Funktionen integriert, darunter Anomaliekennzeichnung, Abweichungsvergleich und gleitende Filterung.
Lediglich die gewichtete Fusionslogik und die dynamischen Schwellenwerte der Adaptionsprozessstufe müssen für einen schnellen Einsatz unter Heißkanal-Spritzgussbedingungen geändert werden. Der Großteil des Codes ist sofort wiederverwendbar, was mehr als 70 % des Entwicklungsaufwands einspart.
3. Frameworks für allgemeine Predictive-Maintenance-Algorithmen (geeignet für Advanced-Intelligence-Szenarien)
Beispielsweise wird der Dual{0}}Sensor-Redundanzvergleich nativ durch den redundanzfehlertoleranten Algorithmus der Siemens S7-400F und das APROL Predictive Maintenance Framework von B&R unterstützt, das auch über integrierte dynamische Abweichungsanalyse- und Trendvorhersagetools verfügt.
Für den direkten Einsatz ändern Sie einfach die Warnschwellen und die Parameter zur Alterungsbeurteilung, um die Genauigkeitsanforderungen des Heißkanalsensors zu erfüllen. Durch die industrielle Überprüfung der Stabilität entfällt die Notwendigkeit, zugrunde liegende Logikprobleme zu lösen.
Die beste Kosteneffizienz wird typischerweise durch eine Änderung des grundlegenden Algorithmus des Spritzgießmaschinenherstellers erreicht. Die Optimierung kann durch bloße Änderung der Softwareparameter und der Logik erreicht werden; Es ist keine neue Hardware erforderlich.
