Apa algoritma untuk menyesuaikan ambang batas secara dinamis?

Berdasarkan kompleksitas implementasi dan keadaan yang relevan, algoritma untuk mengubah ambang batas secara dinamis dapat dibagi menjadi tiga kategori. Kategori-kategori ini mencakup segala hal mulai dari prediksi cerdas hingga implementasi rekayasa ringan, yang beradaptasi dengan berbagai kemampuan pengembangan:

1. 3σ Metode Pembaruan Dinamis Statistik (paling populer, ringan, dan mudah digunakan)

Dalam lingkungan industri, ini adalah algoritma dasar yang paling banyak digunakan. Ini sesuai untuk sebagian besar pabrik, memiliki logika yang jelas, dan memerlukan sedikit kekuatan pemrosesan:

Logika inti: Ambang batas baru sebesar 3σ ditetapkan (99,7% fluktuasi normal di bawah distribusi normal akan berada dalam kisaran ini; melebihi kisaran ini dianggap tidak normal); statistik mingguan tentang penyimpangan historis dari dua sensor dikumpulkan; simpangan baku σ dari simpangan dihitung;

Manfaat: Dapat beradaptasi dengan kondisi operasi yang menua dan berubah; modifikasi otomatis hanya berdasarkan data pengoperasian aktual; tidak diperlukan pengaturan prasetel;

Situasi yang relevan: Mayoritas produksi cetakan injeksi tradisional, yang merupakan pilihan utama bagi perusahaan kecil dan menengah-yang telah mengembangkan dan memodifikasi sendiri.

2. Algoritma Aturan Fuzzy Pencocokan Proses (Beradaptasi dengan Multiple Process Switching)

Program ini menggunakan pencocokan logika fuzzy untuk mengalihkan proses secara dinamis berdasarkan aturan yang telah ditentukan sebelumnya dalam situasi ketika produksi sering berubah:

Logika Inti: Inferensi fuzzy secara otomatis menentukan ambang batas yang relevan berdasarkan faktor masukan seperti presisi produk, korosifitas bahan mentah, dan peringkat tekanan. Untuk "serat kaca tinggi + tekanan tinggi + presisi", misalnya, ini menunjukkan hasil dengan relaksasi ambang batas 15%.

Keuntungan: Tidak memerlukan template berbeda untuk setiap produk; secara otomatis menyesuaikan dengan berbagai kombinasi proses.

Fasilitas cetakan injeksi dengan beragam produk, batch kecil, dan penyesuaian produksi cepat adalah contoh skenario yang dapat diterapkan.

3. Algoritma Penyesuaian Prediktif untuk Pembelajaran Mesin (Skenario Cerdas Kelas Atas)

Perkiraan penyesuaian dinamis yang paling akurat dicapai dengan pendekatan ini, yang didasarkan pada model pelatihan yang memanfaatkan data anomali sebelumnya.

Penerapan Umum: Untuk membedakan antara "deviasi penuaan sebenarnya" dan "deviasi gangguan kondisi operasi", gunakan model klasifikasi (seperti regresi logistik atau CNN ringan), yang memodifikasi ambang batas hanya untuk deviasi sebenarnya. Sebagai alternatif, per-perkuat terlebih dahulu ambang batas untuk menyisihkan ruang penuaan dan manfaatkan LSTM untuk memperkirakan tren pertumbuhan deviasi.

Keuntungan: Dibandingkan dengan algoritme konvensional, algoritme ini dapat mengidentifikasi interferensi kompleks dan mengurangi tingkat alarm palsu hingga lebih dari 30%.

Kekurangan: Untuk melatih model, sejumlah data anomali historis harus dikumpulkan, sehingga memerlukan lebih banyak pekerjaan pengembangan.

Skenario produksi batch{0}}berskala besar dan lini produksi cetakan injeksi canggih dan cerdas adalah contoh skenario yang dapat diterapkan.

Saat ini, solusi paling ekonomis di antaranya adalah kombinasi metode pembaruan dinamis statistik 3σ + pengikatan tahap proses, yang memenuhi persyaratan lebih dari 90% skenario dan tidak memerlukan pengembangan rumit untuk implementasi.