Fyra praktiska fallexempel på mönsterigenkänning i Wedge
Wedge gör det möjligt att använda avancerade algoritmer för att upptäcka mönster i process- och kvalitetsdata. Nedan presenterar vi fyra praktiska tillämpningar av mönsterigenkänning som hjälper Wedge-användare att få en bättre förståelse för förhållandet mellan orsak och verkan i processen.
FALL 1: Spåra grundorsaken till ett kvalitetsproblem
Du har ett kvalitetsproblem i en process. Det uppstår tjockleksavvikelser i slutprodukten, vilket orsakar materialspill och skrot. Din första prioritet är att förstå vad det är för underliggande orsaker som påverkar tjockleken.
Wedge går igenom alla andra mätningar och hittar mätningar som uppvisar ett liknande eller spegelvänt mönster samtidigt eller före tjockleksavvikelsen. Som ett resultat producerar Wedge-systemet en lista på grundorsakskandidater till kvalitetsproblemet.
Som Wedge-användare behöver du inte oroa dig för eventuella processförseningar, eftersom mönsterigenkänningsverktyget kompenserar fördröjningarna automatiskt.
FALL 2: Förstå konsekvenserna av råvaruförändringar
Förändringar i råvaran kan också påverka din process. Mönsterigenkänningsalgoritmerna i Wedge kan hjälpa dig att upptäcka dem.
Wedge jämför målmätningens form (förändring av råmaterial från typ ett till noll och tillbaka till ett) med andra signaler och listar de konsekvenskandidater som korrelerar bäst med avseende på målmätning och processfördröjning.
Det är ett utmärkt sätt att få nya kunskaper om målprocessens beteende.
FALL 3: Ta reda på vad som orsakar periodiska fluktuationer
En enstaka topp i en signal och/eller en nivåändring är mönster som är lätta att observera och spåra. Men vad gör du om dina målmätningar fluktuerar starkt men till synes slumpmässigt? Eller om du inte kan se något tydligt mönster eller det finns flera oberoende mönster som inverkar samtidigt? Det låter komplicerat, men för Wedge är det inte det.
Först hjälper Wedge dig att isolera olika mönster i signalen. Systemet visar vilka typer av fluktuationsmönster som finns och den relativa effekten av varje mönster. I praktiken får vi reda på om det finns periodiska fluktuationsmönster i datan, vilka periodlängder de identifierade mönstren har och vilken fluktuation som är starkast.
Sista steget är att diagnostisera vad som orsakar mönstren. Wedge kan till exempel utvärdera vad som orsakar de starkaste fluktuationerna i signalen (den röda med en periodlängd på 22 min och 39 s). I det här exemplet pekar data på temperaturen i den inkommande ångan som den starkaste grundorsakskandidaten.
FALL 4: Sök efter tidigare tidsperioder som liknar målperioden
Föreställ dig att du stöter på ett intressant processbeteende – till exempel att halten av en tillsatskemikalie är lägre än anvisat och att råmaterialets temperatur sjunker. Men ändå är slutproduktens kvalitet stabil. Då kanske du börjar fundera på om liknande händelser eller processförhållanden och driftmetoder har förekommit tidigare, eller om det bara är en engångshändelse.
Wedge kan hitta olika historiska perioder som uppvisar liknande mönster: samma händelse, processförhållande och/eller driftmetod som din målperiod. Hur spårar du olika perioder som har liknande mönster – händelser, processförhållanden och/eller driftmetoder – som din målperiod?
Wedge kan hjälpa dig med det.
Du kan välja målsignal och målmönsterbeteende. På bilden nedan är en signal vald och det gula området visar den intressanta perioden. Wedge studerade signalens historia och hittade en annan period då den valda signalen betedde sig på ett sätt som var relativt likt målperioden. Nu har du ringat in de huvudmisstänkta.
Vill du ha mer insikter?
Vårt säljteam är fullt av experter på dataanalys som är redo att hjälpa dig. Läs mer om Wedge industriellt dataanalysverktyg.