FactoryTalk Analytics Edge ML

Empodere a su personal de OT para que saque el máximo partido al aprendizaje automático en entornos de baja latencia

dos trabajadores, uno de ellos con una camiseta de Rockwell Automation, colaboran en una tableta en un entorno de planta

Empodere a su personal de OT para que saque el máximo partido al aprendizaje automático en entornos de baja latencia

A medida que los fabricantes generan grandes volúmenes de datos industriales a alta velocidad desde sus dispositivos y máquinas, el desafío de descubrir con rapidez nuevos hallazgos, mediante hardware de escaso tamaño, y aplicarlos a los sistemas de control en tiempos de respuesta de baja latencia ha adquirido importancia. Al mismo tiempo, depositar la confianza en una ciencia de datos centralizada o en una función de análisis informático puede llevar varios días o meses antes de que se produzca un cambio en la planta.

Para desbloquear esta situación, los profesionales de OT necesitan la capacidad para navegar con facilidad ante la falta de datos e implementar aplicaciones de aprendizaje automático para gestionar datos de transmisión desde la aplicación de control (una fuente que produce datos industriales a gran velocidad y volumen). Los profesionales deben poder aplicar los resultados del modelo tanto a la capa del sistema de control de Rockwell Automation como a otro hardware estándar. Gracias a estas potentes funciones, los profesionales de OT pueden mejorar la producción, la eficacia total del equipo, así como otros KPI que son importantes para lograr los resultados clave de su empresa.

Como Llevar el aprendizaje automático a la vanguardia

FactoryTalk® Analytics™ Edge ML empodera a los profesionales de OT de la planta para aprovechar el potencial del aprendizaje automático y las canalizaciones de datos visuales, al tiempo que consiguen la plena aplicación de su vasta experiencia en la fabricación por procesos o discreta para su ventaja. FactoryTalk Analytics Edge ML facilita el uso con el fin de conectar orígenes y canalizaciones de datos, así como la flexibilidad para traer su propio modelo, justo al frente de la industria. Como resultado, los profesionales de OT pueden mejorar de forma continua las operaciones al implementar modelos que ayuden a detectar defectos antes del empaquetado, así como optimizar los parámetros del proceso o producción en la planta a través del controlador de retroalimentación basada en eventos a bajas latencias. Todo ello gracias al uso de un hardware esbelto como los módulos de procesamiento, puertas de enlace o computadoras industriales sin interfaces gráficas.

Ecolab se transforma en una Connected Enterprise

Hombre con ropa de médico lavándose las manos

Caso práctico

Ecolab se transforma en una Connected Enterprise

La empresa líder en soluciones para la gestión del agua, la higiene y la prevención de infecciones está mejorando la regularidad y la conectividad en 130 plantas.

Lea ahora

Características del producto

Bucle de realimentación cerrado en un hardware que ocupa poco espacio

Ahora puede ejecutar modelos de aprendizaje automático en la planta en un hardware de escaso tamaño (como módulos de procesamiento, puertas de enlace y computadora industriales sin interfaces gráficas) y aplicar nuevos hallazgos a su capa de control en tiempo real.

Flujo de trabajo del plan de sistema lineal

Construcción y reutilización de sólidos modelos visuales

El personal de OT puede generar de forma gráfica canalizaciones de datos complejos mediante la colaboración, o traer modelos de aprendizaje automático prediseñados de TI para funciones de puntuación. Estos se pueden reutilizar e implementar de manera local en las líneas, reduciendo el tiempo y el costo de la implementación.

Conectividad y preprocesamiento de datos listos para usar

FactoryTalk Analytics Edge ML ofrece adaptadores integrados para la ingesta de datos de los controladores de Rockwell Automation, de modo que pueda ensamblar y organizar rápidamente los datos de la planta para su análisis. Los datos pueden ser procesados previamente desde su origen para crear un flujo de datos eficaz, que no sólo reduzca la carga en los controladores, sino que también permita adoptar decisiones rápidas cercanas al consumidor. Por último, los datos analizados desde la misma máquina o dispositivo pueden guardarse en almacenamiento persistente de datos (locales o en la nube), colas de mensajes o herramientas de visualización de datos.

Traiga su propio modelo o utilice las bibliotecas de aprendizaje automático de código abierto ya existentes

Traiga sus propios modelos prediseñados de análisis o aprendizaje automático y recurra a las bibliotecas de código abierto integradas previamente, compatibles con Python o PMML, para escalar las aplicaciones de análisis y acelerar el ritmo de la innovación.