Dalam konteks pemeliharaan prediktif untuk sistem hot runner, pembaruan otomatis ambang batas dinamis terutama bergantung pada algoritme adaptif berbasis data-. Logika implementasi inti diuraikan di bawah ini:
Akuisisi Data dan Rekayasa Fitur
Akuisisi data sensor utama-secara real-time, seperti arus koil pemanas, voltase, suhu termokopel, dan waktu siklus pencetakan injeksi.
Ekstraksi fitur statistik (rata-rata, varians, nilai puncak) dan fitur domain-frekuensi untuk membuat vektor fitur yang mencerminkan status kesehatan sistem hot runner.
Pembentukan Model Dasar
Selama fase awal pengoperasian peralatan normal, data historis digunakan untuk melatih model dasar (misalnya model distribusi Gaussian, Hutan Isolasi, atau Autoencoder).
"Rentang operasi normal" awal (ambang batas statis) ditetapkan sebagai titik awal penyesuaian dinamis.
Pemilihan Algoritma Ambang Batas Dinamis
Statistik Jendela Geser: Hitung rata-rata pergerakan dan deviasi standar selama N siklus terbaru, atur ambang batas ke μ ± kσ. Saat data baru masuk ke jendela, ambang batas diperbarui secara otomatis dan lancar.
Rata-Rata Pergerakan Tertimbang Eksponensial (EWMA): Memberikan bobot yang lebih tinggi pada data terbaru untuk memungkinkan respons cepat terhadap perubahan tren sekaligus memfilter-gangguan jangka pendek.
Model Regresi Pembelajaran Mesin: Memanfaatkan jaringan LSTM atau GRU untuk memprediksi kisaran nilai normal yang diharapkan untuk siklus mendatang; alarm dipicu jika sisa (deviasi) melebihi interval kepercayaan yang ditetapkan. Nilai prediksi itu sendiri berfungsi sebagai dasar dinamis.
Strategi Pembaruan Otomatis
Mekanisme Pembelajaran Online: Ketika sistem mengonfirmasi bahwa keadaan saat ini adalah "normal" (yaitu, tidak ada alarm yang terpicu dan tidak ada tag kesalahan manual yang diterapkan), data baru dimasukkan ke dalam kumpulan data pelatihan model untuk menyempurnakan-parameter model.
Deteksi Penyimpangan: Memantau distribusi data untuk mencari tanda-tanda penyimpangan (misalnya, menggunakan tes KS). Jika perubahan proses terdeteksi (misalnya perubahan cetakan, perubahan material), garis dasar secara otomatis diatur ulang, atau profil konfigurasi ambang batas dialihkan.
Umpan Balik-Loop Tertutup: Dengan mengintegrasikan catatan pemeliharaan, jika alarm tertentu kemudian dikonfirmasi sebagai positif palsu, sistem secara otomatis melonggarkan batas ambang batas untuk kondisi pengoperasian spesifik tersebut; sebaliknya, jika ada kegagalan yang terlewatkan (negatif palsu), batasannya akan diperketat.
Penanganan Anomali dan Kendala Keamanan
Tetapkan "batas tegas" (batas absolut) untuk memastikan bahwa, terlepas dari bagaimana ambang batas dinamis disesuaikan, ambang batas tersebut tidak pernah melebihi batas keamanan fisik (misalnya, suhu maksimum yang diijinkan).
Memperkenalkan mekanisme "skor keyakinan" untuk memastikan bahwa pembaruan ambang batas dijalankan hanya ketika kualitas data tinggi dan keyakinan model tinggi, sehingga mencegah gangguan data mencemari model.
