Eşikleri dinamik olarak ayarlamaya yönelik algoritmalar, uygulama karmaşıklığına ve uygulanabilir senaryolara dayalı olarak, hafif mühendislik uygulamalarından akıllı tahmine kadar her şeyi kapsayan ve farklı geliştirme yeteneklerine uyum sağlayan üç türe ayrılabilir:
1. 3σ İstatistiksel Dinamik Güncelleme Yöntemi (En yaygın kullanılan, hafif ve uygulaması kolay)
Bu, endüstriyel senaryolarda en yaygın kullanılan temel algoritmadır. Basit bir mantığa, düşük hesaplama yüküne sahiptir ve çoğu fabrika için uygundur:
Temel mantık: İki sensörün geçmiş sapmalarının haftalık istatistikleri derlenir, sapmanın standart sapması σ hesaplanır ve yeni bir eşik 3σ olarak ayarlanır (normal dağılım altındaki normal dalgalanmaların %99,7'si bu aralığa girer; bu aralığın aşılması anormal kabul edilir);
Avantajları: Tamamen gerçek çalışma verilerine dayalı otomatik ayarlama, önceden ayarlanmış parametrelere gerek yoktur, eskimeye ve çalışma koşullarındaki değişikliklere uyarlanabilir;
Uygulanabilir senaryolar: Çoğu geleneksel enjeksiyon kalıplama üretimi, kendi-geliştirdiği ve değiştirdiği küçük ve orta-ölçekli fabrikalar için ilk tercih.
2. Süreç Eşleştirme için Bulanık Kural Algoritması (Çoklu Süreç Geçişine Uyum Sağlar)
Sık üretim değişikliklerinin olduğu senaryolar için bu algoritma, bulanık mantık eşleştirmeyi kullanarak önceden belirlenmiş kurallara dayalı olarak süreçleri dinamik olarak değiştirir:
Temel Mantık: Ürün hassasiyetini, ham madde korozyonunu ve basınç değerini girdi değişkenleri olarak kullanan bulanık çıkarım, karşılık gelen eşikleri otomatik olarak hesaplar. Örneğin, "yüksek cam elyafı + yüksek basınç + hassasiyet" için eşiğin %15 oranında gevşetildiği bir sonuç elde edilir.
Avantajları: Her ürün için ayrı şablon gerektirmeden farklı proses kombinasyonlarına otomatik olarak uyum sağlar.
Uygulanabilir Senaryolar: Çok sayıda ürün çeşidi, küçük partiler ve sık üretim değişiklikleri bulunan enjeksiyon kalıplama tesisleri.
3. Makine Öğrenimi Tahmine Dayalı Ayarlama Algoritması (Üst-Son Teknoloji Akıllı Senaryolar)
Geçmiş anormallik verilerini kullanan eğitim modellerine dayanan bu algoritma, en yüksek doğrulukla tahmine dayalı dinamik ayarlama sağlar.
Ortak Uygulamalar: Eşiği yalnızca gerçek sapma için ayarlayarak "gerçek yaşlanma sapması" ile "çalışma koşulu girişim sapması" arasında ayrım yapmak için sınıflandırma modellerini (lojistik regresyon veya hafif CNN gibi) kullanın. Alternatif olarak, sapma büyüme eğilimini tahmin etmek ve yaşlanma alanını ayırmak için eşiği-önceden yükseltmek için LSTM'yi kullanın.
Avantajları: Karmaşık parazitleri ayırt edebilir, yanlış alarm oranını geleneksel algoritmalara kıyasla %30'dan fazla azaltır.
Dezavantajları: Modeli eğitmek için belirli miktarda geçmiş anormallik verilerinin toplanmasını gerektirir, bu da daha fazla geliştirme çabasına yol açar.
Uygulanabilir Senaryolar: Akıllı{0}}yüksek teknoloji enjeksiyon kalıplama üretim hatları ve büyük-ölçekli toplu üretim senaryoları.
Bunlar arasında, 3σ istatistiksel dinamik güncelleme yöntemi + süreç aşaması bağlama kombinasyonu şu anda en uygun maliyetli-çözümdür; senaryoların %90'ından fazlasının ihtiyaçlarını karşılar ve uygulama için karmaşık bir geliştirme gerektirmez.
