Ferramenta gratuita

Que sinais de máquina se tornam que features, e como cada um falha

Dezasseis sinais mapeados da componente de OEE para a feature derivada, o que cada um prevê bem e a forma específica como cada um falha numa fábrica real. A coluna das falhas é a metade útil.

Feito, a sua descarga está pronta.

Descarregar o kit de mapeamento (.xlsx)

Veja também as entradas da enciclopédia sobre feature engineering e qualidade de dados.

O que contém

Dezasseis sinais de disponibilidade, desempenho, qualidade e contexto
A feature em que cada um se transforma
O que prevê bem: dito de forma restrita
Como a feature falha na prática
Uma coluna tem/parcial/não tem que pontua a sua cobertura

A abordagem TEEPTRAK

O machine learning numa fábrica começa com um conjunto de dados: o que cada máquina fez.

A maioria dos casos de uso deste site precisa da mesma base: estados de máquina, paragens com motivos, contagens de ciclos e refugo, registados automaticamente e com data e hora. O TEEPTRAK recolhe exatamente isso em qualquer máquina, e a fábrica obtém daí OEE em tempo real muito antes de qualquer modelo ser treinado.

Estados de máquina e contagens de ciclos, com data e hora
Motivos de paragem introduzidos pelos operadores: as etiquetas que faltam à maioria dos conjuntos de dados
Exportação aberta de todo o histórico para as equipas de dados

Utilizado em mais de 700 fábricas. Na Hutchinson, o OEE passou de 47% para 72%. Instalado com um módulo ligado no quadro elétrico e um sensor junto à linha. Sem alterações ao PLC. O TEEPTRAK não é um MES: mede, para que saiba o que corrigir primeiro.

Veja como funciona o TEEPTRAK →Dos dados de OEE às variáveis de ML →