TECHNOLOGIE

Maschinelles Lernen

Precognizes fortschrittliche Maschinenlernmethoden unterscheiden zwischen normalen und anormalen Datenpunkten.

Als Ausgangswerte des Werks werden historische Daten eines Jahres herangezogen, um statistische Modelle zu generieren die neue Daten in Echtzeit  untersuchen.

Konzeptionelles Modellieren

Precognize erfasst die Art und Weise, wieSysteme gebaut sind und sich verhalten, sehr schnell. Das Drag-and-Drop-Interface von Precognize ermöglicht es operativen Experten ohne Modellierausbildung, ihre Systeme präzise abzubilden . Je nach Anzahl an Sensoren hilftdie Software ein vollständiges Modell innerhalb von ein paar Stunden bis zu ein paar Tagen zu erstellen.

Graphentheorie

Precognize konvertiert das konzeptionelle Modell des Werks in Graphen. Anormale Datenpunkte werden mit mehreren Graphtechniken verglichen, um aufzudecken, wo die Probleme im System ihren Ursprung haben. Sobald sie gefunden wurden, werden dem Anlagenbetreiber klare, spezifische und tatsächliche Alarme präsentiert.

Anomalien in einem Werk sind häufige Ereignisse. Fehlerhafte Sensoranzeigen und funktionale Unvollkommenheiten werden als Alarme angezeigt, die den Anlagenbediener davon ablenken, Ursachen zu erkennen, die tatsächlich für Geräteausfälle verantwortlich sind.

 

Durch maschinelles Lernen und konzeptionelle Modellierung eliminiert Precognize statistische Anomalien, während kritische Ereignisse lange vor ihrem Auftreten herausgefiltert und angezeigt werden. 

© 2019 by Precognize                   Terms of Use             Privacy Policy   

  • Facebook - White Circle
  • LinkedIn - White Circle