Mākslīgā intelekta un lietu interneta (IoT) integrācija gumijas atmiršanas sistēmās

By Maiks Čens, Ražošanas direktors | Vairāk nekā 12 gadu pieredze gumijas ražošanā |LinkedIn

Galvenie secinājumi

• Viena XCJ-G600 muca apstrādā 15 kg partiju ik pēc 20–40 sekundēm — lietu interneta (IoT) datu uztveršanai jau ir pieejami vairāk nekā 1300 ar datiem bagāti cikli 8 stundu maiņā.
• Kriogēnās atkausēšanas iekārtas darbojas temperatūrā līdz −150 °C ar veltņu ātrumu 20–70 apgr./min, un abu mainīgo reģistrēšana tieši atklāj slāpekļa atkritumus un izolācijas nobīdi.
• Tā kā savienotās iekārtas laikus atklāj procesa novirzes, paredzamā apkope parasti pārvērš neplānotas dīkstāves plānotās intervencēs, kas ilgst mazāk nekā 30 minūtes (tipiskas vērtības no mūsu klientu projektiem).
• Modernizācija ir labāka par nomaiņu: ar invertora piedziņu darbināmas iekārtas, piemēram, 7,5 kW XCJ-G600, parasti var savienot ar sensoriem un Edge vārteju, nevis iegādāties jaunu.

Lielākajai daļai ražotāju, ar kuriem mēs strādājam, jau ir zibspuldžu noņemšanas iekārtas, kas ir viedas mašīnu līmenī un pilnīgi klusas rūpnīcas līmenī. Kontrolieris zina veltņa ātrumu; operators zina partijas svaru; kvalitātes komanda zina noraidīšanas līmeni — bet neviens šos trīs nesavieno. Tieši šī atvienošanās ir paredzēta mākslīgā intelekta un lietu interneta projektu risināšanai.

Šajā rakstā ir paskaidrots, ko integrācija patiesībā nozīmē deflashing kontekstā, kurus datu punktus ir vērts savienot vispirms, un ir sniegts pakāpenisks ceļvedis, kas darbojas mazām un vidēja lieluma gumijas rūpnīcām, nevis hiperskalas viedajām rūpnīcām.

Ko mākslīgais intelekts un lietu internets (AI) patiesībā nozīmē deflashing kontekstā?

Lietiskais internets (IoT) ir rūpniecisko iekārtu savienošanas tīklam prakse, lai varētu apkopot, uzglabāt un pārskatīt to darbības datus; mākslīgais intelekts (MI) ir programmatūras slānis, kas atrod modeļus šajos datos un iesaka vai izpilda lēmumus.Atbrīvošanas procesā abi darbojas kā pāris: lietu internets (IoT) piegādā neapstrādātu signālu, bet mākslīgais intelekts (AI) pārvērš signālu darbībā — palēninot veltni, atzīmējot nolietotu siksnu vai ievietojot aizdomīgu partiju karantīnā pirms tās nosūtīšanas.

Ir lietderīgi iedomāties spiedientirzināšanas iekārtu vispirms kā datu avotu un tikai pēc tam kā atbiršanas instrumentu. Katrs mehāniskais spiedientirzināšanas cikls un katrs kriogēnais process zem −120 °C rada izsekojamu ātruma, laika, temperatūras un slodzes pirkstu nospiedumu. Kad šie pirkstu nospiedumi ir saglabāti, jautājumi, kuru risināšanai agrāk bija nepieciešams, lai procesa inženieris visu maiņu stāvētu pie cilindra — "kad cikla laiki sāka pakāpeniski pieaugt?" —, kļūst par desmit sekunžu informācijas paneļa vaicājumu.

Kurus Deflash datu punktus ir vērts pieslēgt vispirms?

Sāciet ar četriem mainīgajiem lielumiem, kas jau nosaka birstēšanas kvalitāti: cikla laiks, veltņa ātrums, procesa temperatūra un partijas slodze.Tie pastāv katrā iekārtā, tie mainās, kad kaut kas noiet greizi, un tie ir tieši saistīti ar produkta rezultātiem. Zemāk esošajā tabulā katrs mainīgais ir savienots ar reālām iekārtu vērtībām un optimizāciju, ko tas atbloķē.

Iekārtu vērtības iegūtas noXCJ-G600 produkta lapaunŠķidrā slāpekļa kriogēnās atmirgošanas iekārtas specifikācijas.

Tā kā kriogēnā trauslums ir sacensība starp temperatūru un laiku, reģistrētās dzesēšanas līknes ir visvērtīgākais datu kopums kriogēnajā līnijā.Skrējiens, kas sasniedz mērķa trauslumu 5 minūtēs, nevis 8 minūtēs, ir ietaupījis 37% no sava cikla laika — ietaupījums, kas hronometrā nav redzams, bet datos ir acīmredzams.

Kā paredzamā apkope maina ekonomikas lejupslīdi?

Prognozējošā apkope izmanto tendenču datus — pieaugošus cikla laikus, motora strāvas svārstības, temperatūras nestabilitāti —, lai ieplānotu apkopi pirms komponenta atteices, nevis pēc tās.Ekonomiskā atšķirība ir ievērojama: piedziņas motora atteice maiņas laikā aptur līniju, izjauc grafiku un var izraisīt pilnīgas ražošanas partijas izjaukšanu, savukārt plānotā maiņa, kas tiek identificēta divas nedēļas agrāk, notiek starp maiņām.

Mūsu pieredze, atbalstot klientu ražotņu zibšņu noņemšanas līnijas, liecina, ka savienotā uzraudzība parasti vienā iekārtā ceturksnī atklāj trīs līdz piecas novēršamas procesa novirzes — visbiežāk pakāpenisku cikla laika pagarināšanu un nekonsekventu kriogēnu dzesēšanu —, un katru no tām var novērst plānotā laika posmā, kas mazāks par 30 minūtēm (tipiskas vērtības no mūsu klientu projektiem; precīzi skaitļi atšķiras atkarībā no maisījuma maisījuma un maiņas modeļa).Tā kā 7,5 kW invertors tādā iekārtā kā XCJ-G600 jau digitāli ziņo par motora slodzi, šāda līmeņa uzraudzības sākuma izmaksas ir vārteja un konfigurācija, nevis jauna aparatūra.

Pastāv arī atbilstības aspekts. Augi ir sertificēti saskaņā arISO 9001tiek lūgts pierādīt nepārtrauktu uzlabošanos; datu taka par iekārtu parametriem katrā partijā ir viens no tīrākajiem pierādījumiem, ko auditors pieņems.

Kur mašīnredze iederas kvalitātes cilpā?

Mašīnredze noslēdz cilpu, ko atstāj atvērtu tikai sensoru dati: kameras pārbauda detaļas, kurām noņemta zibspuldze, un mākslīgā intelekta slānis izseko katrai noraidītajai detaļai precīzu ciklu, ātrumu un temperatūru, kurā tā radusies.Tas kvalitātes kontroli pārvērš no atpakaļskata darbības par stūrēšanas ievadi.

Praktiskā ķēde izskatās šādi: detaļas atstāj dzēšgumijas noņemšanas cilindru, iziet cauri vizuālai pārbaudei, kas atzīmē atlikušo dzēšgumiju, un tīrās detaļas turpina darbu.gumijas separatora mašīnakas šķiro labu produktu no apdares atkritumiem. Kad redzes sistēma reģistrē noraidījumu klasteru, mākslīgais intelekts salīdzina laika zīmogus ar mucas datiem un atbild uz svarīgo jautājumu: vai tas bija slikts maisījums, nepareizs veltņa ātrums vai partija, kas bija par 2 kg lielāka nekā norādīts specifikācijā?

Kriogēnās līnijas no šī savienojuma gūst vislielāko labumu. Kriogēnā dzēšgumiju attīrīšana sasniedz gatavā produkta caurlaidības rādītājus virs 98%, ja parametri ir stabili, tāpēc pat neliela reģistrēta novirze — dzesēšanas līkne, kas ir par 10 °C siltāka nekā sākotnējā līkne — ir vērts pamanīt, pirms tā zaudē trīs ienesīguma punktus.

Kā izskatās reālistisks integrācijas ceļvedis?

Lielākajai daļai gumijas rūpnīcu praktiski īstenojama pieeja sastāv no trim fāzēm: savienošana, analīze un pēc tam optimizācija — šādā secībā uz vienas mašīnas pirms visas līnijas izveides.Mēģinājums automatizēt lēmumu pieņemšanu, pirms ir pieejami dati, ir visizplatītākais kļūmes režīms, ko mēs redzam 4. industriālās revolūcijas projektos.

1. Pievienojiet vienu mašīnu un definējiet bāzes līniju.Uzstādiet malas vārteju uz vienas mirgošanas novēršanas ierīces — jaunākās, visvairāk ar invertora vadītās — un 60 dienas reģistrējiet cikla laiku, ātrumu, temperatūru un slodzi, neko nemainot, tāpēc “normāls” stāvoklis tiek mērīts, nevis pieņemts.
2. Analizēt, salīdzinot ar kvalitātes rezultātiem.Apvienojiet iekārtas datus ar pārbaudes noraidījumu ierakstiem un ļaujiet mākslīgā intelekta slānim (vai, godīgi sakot, labai izklājlapai) meklēt korelācijas starp parametru novirzi un kvalitātes notikumiem.
3. Optimizējiet ar slēgta cikla brīdinājumiem.Iestatiet brīdinājuma sliekšņus no bāzes līnijas, novirziet tos uz operatoru tālruņiem vai rūpnīcas vadības paneli un tikai pēc tam apsveriet automātisku parametru korekciju — soli, kam nepieciešama vislielākā pārvaldība un vismazāk steidzamība.

Kādi ir godīgi ierobežojumi?

Mākslīgais intelekts un lietu internets (IoT) neatrisinās nestabilu procesu, nolietotu mucu vai slikti definētu veidni — tie vienkārši ātrāk un precīzāk ziņos par šīm problēmām.Integrācija pastiprina labu procesu kontroli, bet neaizstāj to.

Vēl divi brīdinājumi no mūsu projekta pieredzes. Pirmkārt, nelielas savienojumu partijas ģenerē vājus datus: mākslīgā intelekta modelis, kas apmācīts 300 viena O veida gredzena izmēra cikliem, nevarēs tīri pārsūtīt datus uz 40 īslaicīgu detaļu saimi, tāpēc cerības ir jānosaka katram produktu klāstam. Otrkārt, savienojamībai ir drošības virsma — norādījumi, piemēram, ražošanas kiberdrošības resursi, ko publicējisNISTir vērts izlasīt pirms vārtejas palaišanas.Tā kā atvienošanas šūna reti ir paredzēta interneta pieslēgumam pēc konstrukcijas, pareizi segmentēts rūpnīcas tīkls samazina papildu risku, taču "pieticīgs" nenozīmē "nulle", un tas ir jāparedz budžetā.

Secinājums: savienojiet jau esošos datus

Gumijas traipu noņemšana ir neparasti labi piemērota mākslīgā intelekta un lietu interneta integrācijai viena vienkārša iemesla dēļ: iekārtas jau darbojas ar precīzi kontrolētiem, izmērāmiem mainīgajiem. 15 kg partija, 20–40 sekunžu cikls, −150 °C griesti, 20–70 apgr./min veltņu diapazons — šie ir datu punkti, kas gaida apkopošanu, un katrs no tiem satur kvalitatīvu informāciju.

Ja plānojat nākamo ieguldījumu aprīkojumā, izvēlieties iekārtas, kuru kontrolieri šos datus nodrošina tīri. Izpētietpilns gumijas blīvēšanas noņemšanas iekārtu klāstsno Sjameņas Sjiņčangdzja vai nosūtiet mums detaļu rasējumus un mērķa produkciju — mūsu inženieru komanda piedāvās atvienošanas konfigurāciju ar savienojamības iespējām, kas atbilst jūsu rūpnīcas automatizācijas līmenim.