Els algorismes comuns de comparació de redundància de sensor dual-es poden dividir en tres categories: tipus introductori bàsic, tipus avançat optimitzat i tipus adaptatiu intel·ligent, adaptant-se a escenaris de complexitat variable. Les seves característiques específiques són les següents:
1. Tipus introductori bàsic: Mètode de comparació directa de llindar fix
L'algoritme introductori més clàssic, el més senzill d'implementar, adequat per a modernitzacions senzilles en fàbriques-petites i mitjanes:
Lògica bàsica: estableix un llindar de desviació fix; si la diferència entre les sortides dels dos sensors supera el llindar, s'activa directament una alarma. No cal cap altra lògica.
Avantatges: Esforç de desenvolupament mínim; es pot escriure directament als PLC existents sense configuració complexa.
Desavantatges: taxa de falses alarmes extremadament alta; no es pot adaptar a les fluctuacions del procés i l'envelliment del sensor; només apte per a escenaris amb requisits de fiabilitat baixos; actualment s'està eliminant gradualment.
2. Tipus avançat optimitzat: mètode de comparació de llindar dinàmic per fases
L'algoritme principal actual en entorns industrials, adequat per a escenaris de producció periòdica com ara l'emmotllament per injecció:
Lògica bàsica: dividir diferents llindars segons les etapes del procés; relaxeu el llindar durant les etapes dinàmiques com ara la injecció/inici/aturada, reforceu el llindar durant les etapes de producció en estat estacionari-i afegiu una confirmació retardada i un filtratge dual per filtrar les interferències.
Avantatges: Reducció de la taxa de falses alarmes en més d'un 70% en comparació amb un llindar fix; senzill d'implementar, no requereix una potència informàtica complexa i pot ser configurat per enginyers normals.
Escenaris aplicables: la majoria dels escenaris de detecció de redundància a les indústries d'emmotllament per injecció i processos; actualment és la solució principal més utilitzada.
3. Optimització avançada: Mètode d'actualització del llindar adaptatiu 3σ
Afegeix la capacitat d'adaptació automàtica al llindar dinàmic, reduint encara més les falses alarmes-a llarg termini:
Lògica bàsica: les dades històriques de desviació es recullen setmanalment i el rang de fluctuació normal de la desviació es calcula mitjançant el principi 3σ. El llindar actual s'actualitza automàticament, adaptant-se lentament a la deriva causada per l'envelliment del sensor.
Avantatges: No cal ajustar manualment el llindar periòdic; bona{0}}estabilitat operativa a llarg termini; La taxa de falses alarmes es redueix un 30% més en comparació amb un llindar dinàmic fix.
Escenaris aplicables: línies de producció massiva en funcionament contínua on es requereix un manteniment manual reduït.
4. Tipus d'adaptació intel·ligent: Mètode de compensació de deriva de la línia de base ponderada exponencialment EWMA
Un algorisme d'optimització intel·ligent per a escenaris-de gamma alta, molt eficaç per gestionar l'envelliment lent del sensor:
Lògica bàsica: utilitza la mitjana mòbil ponderada exponencialment (EWMA) per actualitzar la desviació de la línia de base entre dos sensors en temps real, compensant automàticament la sortida del sensor d'envelliment. Una alarma només s'activa quan la desviació supera el rang de compensació.
Avantatges: segueix automàticament l'envelliment lent, la taxa de falses alarmes -a llarg termini extremadament baixa, allarga el cicle de substitució del sensor i redueix els costos de manteniment;
Desavantatges: requereix una mica de càlcul, però els PLC existents ho poden donar suport completament i la implementació no és difícil.
5. Tipus intel·ligent-de gamma alta: mètode de detecció d'anomalies d'aprenentatge automàtic
Una solució per a línies de producció-de gamma alta totalment automatitzades:
Lògica bàsica: entrena models com Isolation Forest i LSTM utilitzant dades normals històriques, aprenent automàticament el rang de desviació normal en diferents processos i identificant desviacions anormals en temps real.
Avantatges: Alta adaptabilitat, menor taxa de falses alarmes en processos complexos i variables;
Inconvenients: requereix una gran quantitat de dades històriques per a l'entrenament, requisits de potència de càlcul lleugerament superiors, baix cost-efectivitat per a fàbriques petites i mitjanes-, actualment només s'utilitzen en escenaris mèdics i aeroespacials de gamma alta-.
