نحوه پیکربندی مکانیزم تنظیم آستانه دینامیک

هسته پیکربندی یک مکانیسم تنظیم آستانه پویا برای یک سیستم تعمیر و نگهداری پیش‌بینی دونده داغ در تغییر از «مقادیر ثابت استاتیک» به «مرزهای دینامیکی که بر اساس الگوهای آماری و شرایط عملیاتی تطبیق می‌کنند» نهفته است. این رویکرد برای رسیدگی به انحراف داده‌ها ناشی از نوسانات در فرآیند قالب‌گیری تزریقی، تغییرات مواد و پیری تجهیزات طراحی شده است.

1. اصل اصلی: آستانه های دینامیکی آماری بر اساس پنجره های کشویی

آستانه های دینامیکی خودسرانه تنظیم نمی شوند. بلکه بر اساس توزیع آماری داده‌های تاریخی جمع‌آوری‌شده در طول عملیات عادی، در زمان واقعی-محاسبه می‌شوند.

الگوریتم های اساسی: از اصل 3σ (سه انحراف استاندارد) یا روش درصد استفاده کنید.

آستانه بالایی=میانگین غلتشی + K × انحراف استاندارد غلتشی

آستانه پایین‌تر= میانگین چرخشی - K × انحراف استاندارد

مقدار K معمولاً بین 2.5 تا 3.0 تنظیم می شود و می توان آن را بر اساس سطح تحمل هشدارهای اشتباه تنظیم کرد.

مکانیسم پنجره کشویی:

به‌جای استفاده از کل تاریخچه داده‌ها، یک زیرمجموعه خاص-شامل داده‌های جدیدترین چرخه تولید N (مثلاً 50 عکس آخر)-به عنوان مجموعه نمونه انتخاب می‌شود.

پس از اتمام هر چرخه تولید جدید، قدیمی ترین نقطه داده کنار گذاشته می شود، جدیدترین نقطه داده اضافه می شود و میانگین و انحراف استاندارد مجددا محاسبه می شوند.

مزایا: این مکانیسم به طور خودکار با رانش خط پایه ناشی از تغییرات دمای محیط یا پیری جزئی عناصر گرمایش سازگار می شود و در نتیجه از هشدارهای "مثبت کاذب" جلوگیری می کند.

مثال: اگر دمای نازل خاصی اخیراً در محدوده 2 ± 220 درجه تثبیت شده باشد، آستانه دینامیکی روی [214، 226] تنظیم می شود. اگر به دلیل تغییرات فصلی، خط پایه دمای کلی به 2 ± 222 درجه تغییر کند، آستانه به طور خودکار روی [216، 228]- تنظیم می‌شود، نه اینکه زنگ هشدار دمای پایین یا بالا را ایجاد کند.

2. مدل‌سازی لایه‌ای برای شرایط عملیاتی چندگانه: حل مشکل خرابی "One{1}}Size-Fits-All"

در طول فرآیند قالب گیری تزریقی، ویژگی های پارامتر مرتبط با مراحل مختلف (تزریق، فشار نگهداری، خنک سازی) و مواد مختلف به طور قابل توجهی متفاوت است. بنابراین، ایجاد یک سیستم از برچسب های شرایط عملیاتی ضروری است.

مرحله 1: شناسایی و برچسب گذاری شرایط عملیاتی

از سیگنال های PLC (مانند موقعیت پیچ یا حداکثر فشار تزریق) استفاده کنید تا به طور خودکار تشخیص دهید که آیا سیستم در حال حاضر در "فاز تزریق"، "فاز نگه داشتن فشار"، یا "فاز خنک کننده" است.

مدل محصول خاص و دسته مواد در حال تولید (مانند ABS-001، PC-002) را ضبط کنید. مرحله 2: مدل سازی خوشه ای

یک مدل آستانه پویا متمایز برای هر ترکیب منحصر به فرد "محصول + ماده + مرحله فرآیند" ایجاد کنید.

به عنوان مثال: هنگام تولید قطعات نازک-دیواره، فشار تزریق بالا و محدوده آستانه گسترده است. برعکس، هنگام تولید قطعات دیواره{1} ضخیم، مدت زمان نگهداری فشار بیشتر است، الزامات پایداری دما سخت‌تر است و محدوده آستانه باریک‌تر است.

مرحله 3: تغییر متن

سیستم برچسب‌های شرایط عملیاتی را در زمان واقعی- نظارت می‌کند و به‌طور خودکار به محدوده آستانه خاص مدل مربوطه تغییر می‌کند.

توجه: در مراحل اولیه تغییرات قالب یا مواد{0}}وقتی داده‌ها کافی نیست-آستانه‌های تاریخی فرآیندهای مشابه ممکن است به طور موقت اتخاذ شوند. روش دیگر، یک "حالت یادگیری" را می توان فعال کرد تا به طور موقت آلارم ها را تا زمانی که حجم نمونه کافی (مثلاً 30 چرخه) جمع آوری شود، سرکوب کند، که در آن نقطه آستانه های پویا فعال می شوند.

3. معرفی عوامل زوال و مدیریت اعتماد

برای جلوگیری از ایجاد نوسانات شدید در آستانه نویزهای ناگهانی نویز، لازم است تکنیک های هموارسازی و ارزیابی اطمینان معرفی شود.

میانگین متحرک وزنی نمایی (EWMA):

وزن‌های بالاتری را به نقاط داده تازه به‌دست‌آمده و به تدریج وزن‌های کمتری را به داده‌های قدیمی‌تر اختصاص می‌دهد، در نتیجه تغییرات آستانه را هموار می‌کند و از نوسانات نامنظم و «دندان اره‌ای{0}}مانند» جلوگیری می‌کند.

انقباض فاصله اطمینان:

هنگامی که اندازه نمونه کوچک است، محدوده آستانه گسترش می یابد (کاهش حساسیت). با افزایش حجم نمونه، محدوده آستانه به تدریج باریک می شود (افزایش حساسیت).

حداقل آستانه نمونه را تنظیم کنید (به عنوان مثال، N بزرگتر یا مساوی 20). اگر تعداد نمونه‌ها کمتر از این آستانه باشد، تنظیم پویا آغاز نمی‌شود و فقط از آستانه‌های پیش‌فرض جهانی استفاده می‌شود.

4. ناهنجاری پاکسازی داده ها و حلقه بازخورد

فرض آستانه های پویا این است که «داده های آموزشی عمدتاً از داده های عملیاتی عادی تشکیل شده است». اگر داده‌های مربوط به خطا در هم آمیخته شوند، منجر به اعوجاج آستانه می‌شود (که به آن "آلودگی" می‌گویند).

مکانیسم تمیز کردن آفلاین:

قبل از محاسبه آستانه های جدید، ابتدا نقاط پرت آشکار (به عنوان مثال، نقاط داده بیش از محدودیت های ایمنی جهانی) حذف می شوند.

با ارجاع متقابل به گزارش‌های تعمیر و نگهداری، اگر یک دوره زمانی خاص به‌عنوان «عیب» برچسب‌گذاری شود، داده‌های آن دوره از مجموعه نمونه‌های عملیاتی عادی حذف می‌شوند.

بازخورد و تصحیح دستی:

پرسنل عملیات و تعمیر و نگهداری از این سیستم برای طبقه بندی آلارم های راه اندازی شده استفاده می کنند و آنها را به عنوان "عیب تایید شده" یا "هشدار کاذب (نادیده گرفته شده)" علامت گذاری می کنند. اگر به عنوان "False Alarm" علامت گذاری شود، سیستم به طور خودکار آن نقطه داده را در مجموعه نمونه معمولی گنجانده و در نتیجه آستانه را افزایش می دهد. اگر به‌عنوان «عیب واقعی» علامت‌گذاری شود، به‌روزرسانی‌های آستانه متوقف می‌شوند تا از آلوده کردن مدل داده‌های خطا جلوگیری شود.

5. پیاده سازی نقشه راه و توصیه های پارامتر

پیشنهادات تنظیم مقدار اولیه پارامتر توصیه شده

‌اندازه پنجره کشویی (N)‌ 50–100 چرخه استفاده از مقدار بزرگ‌تری برای تولید فرکانس-بالا. از مقدار کمتری برای تولید با فرکانس پایین-استفاده کنید.

ضریب هموارسازی ( )‌ 0.2 در صورت بالا بودن سطح صدا کاهش می‌یابد. در صورت نیاز به پاسخگویی بالا افزایش دهید.

ضریب ضرب (K)‌ 3.0 در صورت مکرر بودن آلارم‌های کاذب به 3.5 افزایش می‌یابد. در صورت تکرار عدم شناسایی به 2.5 کاهش دهید.

‌حداقل حجم نمونه 20 چرخه اگر کمتر از این مقدار است، از یک آستانه پیش‌فرض ثابت استفاده کنید.

‌فرکانس به‌روزرسانی‌ بعد از اتمام هر چرخه از محاسبات مجدد مکرر در طول فرآیند تولید خودداری کنید.