Integrácia umelej inteligencie a internetu vecí v systémoch na odstraňovanie otlačkov z gumy

By Mike Chen, výrobný riaditeľ | 12+ rokov skúseností vo výrobe gumy |LinkedIn

Kľúčové poznatky

• Jeden valec XCJ-G600 spracuje 15 kg dávku každých 20 – 40 sekúnd – pre zachytávanie v rámci IoT je už k dispozícii viac ako 1 300 cyklov bohatých na dáta za 8-hodinovú smenu.
• Kryogénne odhrotovacie jednotky pracujú pri teplotách až do -150 °C s rýchlosťami valcov 20 – 70 ot./min. a zaznamenávanie oboch premenných priamo odhaľuje plytvanie dusíkom a drift izolácie.
• Keďže pripojené stroje včas odhalia odchýlky od procesu, prediktívna údržba zvyčajne premieňa neplánované prestávky na plánované zásahy do 30 minút (typické hodnoty z projektov našich zákazníkov).
• Dodatočná montáž je dôležitejšia ako nahradenie: zariadenia poháňané invertorom, ako napríklad 7,5 kW XCJ-G600, je možné zvyčajne pripojiť k senzorom a edge gateway namiesto nákupu nového zariadenia.

Väčšina výrobcov, s ktorými spolupracujeme, už vlastní odhrotovacie zariadenie, ktoré je inteligentné na úrovni stroja a úplne tiché na úrovni továrne. Riadiaca jednotka pozná rýchlosť valca; operátor pozná hmotnosť dávky; tím kvality pozná mieru odmietnutia – ale nikto tieto tri prvky neprepojí. Práve toto odpojenie je presne to, čo majú projekty umelej inteligencie a internetu vecí napraviť.

Tento článok vysvetľuje, čo integrácia skutočne znamená v kontexte odstraňovania problémov, ktoré dátové body sa oplatí prepojiť ako prvé a predstavuje postupný plán, ktorý funguje skôr pre malé a stredné gumárenské závody ako pre hyperscale inteligentné továrne.

Čo vlastne znamenajú AI a IoT v kontexte odhaľovania?

Internet vecí (IoT) je prax pripojenia priemyselných zariadení k sieti, aby sa ich prevádzkové údaje mohli zhromažďovať, ukladať a kontrolovať; umelá inteligencia (AI) je softvérová vrstva, ktorá v týchto údajoch nachádza vzory a odporúča alebo vykonáva rozhodnutia.Pri odstraňovaní zábleskov fungujú tieto dva prvky ako dvojica: IoT dodáva surový signál a umelá inteligencia ho premieňa na akciu – spomaľuje valec, signalizuje opotrebovaný remeň alebo umiestňuje podozrivú dávku do karantény pred jej odoslaním.

Je užitočné predstaviť si odhrotovací stroj v prvom rade ako zdroj údajov a v druhom rade ako nástroj na odhrotovanie. Každý cyklus mechanického odhrotovania a každý kryogénny chod pod -120 °C vytvára sledovateľný odtlačok prsta o rýchlosti, čase, teplote a zaťažení. Po uložení týchto odtlačkov prstov sa otázky, ktoré si kedysi vyžadovali, aby procesný inžinier stál pri valci celú smenu – „kedy sa začali časy cyklov predlžovať?“ – stanú desaťsekundovou otázkou na dashboarde.

Ktoré dátové body na odstraňovanie blikania sa oplatí pripojiť ako prvé?

Začnite so štyrmi premennými, ktoré už určujú kvalitu odhrotovania: čas cyklu, rýchlosť valca, teplota procesu a zaťaženie dávky.Existujú v každom stroji, menia sa, keď sa niečo pokazí, a priamo sa mapujú na výsledky produktu. Tabuľka nižšie spája každú premennú so skutočnými hodnotami zariadenia a optimalizáciou, ktorú odomyká.

Hodnoty zariadení pochádzajú zProduktová stránka XCJ-G600aŠpecifikácie kryogénneho odhrotovacieho stroja s kvapalným dusíkom.

Keďže kryogénne krehnutie je preteky medzi teplotou a časom, zaznamenané krivky chladenia sú najcennejším súborom údajov o kryogénnej linke.Beh, ktorý dosiahne cieľovú hodnotu krehkosti za 5 minút namiesto 8, ušetril 37 % svojho cyklu – úspora, ktorá je neviditeľná na stopkách, ale zrejmá v údajoch.

Ako prediktívna údržba mení ekonomiku odstraňovania zábleskov?

Prediktívna údržba využíva trendové údaje – rastúce cykly, kolísanie prúdu motora, nestabilitu teploty – na naplánovanie servisu pred zlyhaním komponentu, a nie po ňom.Ekonomický rozdiel je výrazný: porucha hnacieho motora uprostred zmeny zastaví linku, naruší harmonogram a môže zrušiť celú rozpracovanú dávku, zatiaľ čo plánovaná výmena identifikovaná dva týždne vopred sa uskutoční medzi zmenami.

Podľa našich skúseností s podporou odhrotovacích liniek v závodoch zákazníkov, pripojené monitorovanie zvyčajne odhalí tri až päť akčných procesných posunov za štvrťrok na jednom stroji – najčastejšie postupné predlžovanie doby cyklu a nekonzistentné kryogénne ochladzovanie – a každý z nich je možné opraviť v plánovanom období do 30 minút (typické hodnoty z projektov našich zákazníkov; presné čísla sa líšia v závislosti od miešania zmesi a pracovného cyklu).Keďže 7,5 kW menič v stroji, ako je XCJ-G600, už digitálne hlási zaťaženie motora, vstupnými nákladmi na túto úroveň monitorovania sú brána a konfigurácia, nie nový hardvér.

Existuje aj aspekt dodržiavania predpisov. Rastliny certifikované podľaISO 9001sa od nich vyžaduje, aby preukázali neustále zlepšovanie; záznam o parametroch stroja pre každú dávku je jedným z najčistejších dôkazov, ktoré audítor akceptuje.

Kam patrí strojové videnie v rámci cyklu kvality?

Strojové videnie uzatvára slučku, ktorú samotné dáta zo senzorov nechávajú otvorenú: kamery kontrolujú odstránené časti a vrstva umelej inteligencie sleduje každú vyradenú časť späť k presnému cyklu, rýchlosti a teplote, ktoré ju spôsobili.Vďaka tomu sa kontrola kvality z činnosti spätného pohľadu stáva vstupom do riadenia.

Praktický reťazec vyzerá takto: diely opúšťajú odhrotovací valec, prechádzajú vizuálnou kontrolou, ktorá signalizuje zvyškové otrepy, a čisté diely pokračujú dogumový separátorktorý triedi dobrý produkt od odpadu z orezania. Keď systém videnia zaznamená zhluk odmietnutia, umelá inteligencia porovná časové pečiatky s údajmi z hlavne a odpovie na dôležitú otázku: išlo o zlú zmes, nesprávnu rýchlosť valca alebo dávku, ktorá prekročila špecifikáciu o 2 kg?

Kryogénne linky z tohto párovania profitujú najviac. Kryogénne odstraňovanie otrasu dosahuje mieru úspešnosti hotových výrobkov nad 98 %, keď sú parametre stabilné, takže aj malá zaznamenaná odchýlka – krivka chladenia o 10 °C teplejšia ako základná hodnota – sa oplatí zachytiť skôr, ako vás to bude stáť tri body výťažnosti.

Ako vyzerá realistický plán integrácie?

Funkčný prístup pre väčšinu gumárenských závodov pozostáva z troch fáz: pripojenie, analýza, optimalizácia – v tomto poradí, na jednom stroji a potom na celej linke.Snaha o automatizáciu rozhodnutí ešte predtým, ako sú k dispozícii dáta, je najčastejším spôsobom zlyhania, s ktorým sa stretávame v projektoch Priemyslu 4.0.

1. Pripojte jeden stroj a definujte základnú líniu.Nainštalujte okrajovú bránu na jednu odstraňovaciu jednotku – najnovšiu, najviac invertorom riadenú – a zaznamenávajte čas cyklu, rýchlosť, teplotu a zaťaženie počas 60 dní bez akejkoľvek zmeny, takže sa meria „normálna“ hodnota, nie sa predpokladá.
2. Analyzujte vzhľadom na výsledky kvality.Zlúčte údaje o stroji so záznamami o odmietnutí z kontroly a nechajte vrstvu umelej inteligencie (alebo úprimne dobrú tabuľku) hľadať korelácie medzi posunom parametrov a udalosťami kvality.
3. Optimalizujte pomocou upozornení v uzavretej slučke.Nastavte prahové hodnoty upozornení od základnej línie, smerujte ich na telefóny operátorov alebo na riadiacu dosku závodu a až potom zvážte automatickú korekciu parametrov – krok, ktorý si vyžaduje najväčšiu kontrolu a najmenej naliehavosť.

Aké sú úprimné obmedzenia?

Umelá inteligencia a internet vecí neopravia nestabilný proces, opotrebovaný valec ani zle špecifikovanú formu – iba tieto problémy nahlásia rýchlejšie a presnejšie.Integrácia posilňuje dobrú kontrolu procesov, nenahrádza ju.

Dve ďalšie upozornenia z našich skúseností s projektmi. Po prvé, malé série zlúčenín generujú tenké dáta: model umelej inteligencie trénovaný na 300 cykloch jednej veľkosti O-krúžku sa neprenesie čisto na rodinu 40 krátkodobých dielov, takže očakávania musia byť stanovené pre každý produktový mix. Po druhé, konektivita má bezpečnostný povrch – usmernenia, ako sú zdroje kybernetickej bezpečnosti výroby publikovanéNISTstojí za prečítanie pred spustením brány.Keďže odstraňovacia bunka je len zriedka pripojená na internet, správne segmentovaná továrenská sieť udržiava pridané riziko nízke, ale „nízke“ neznamená „nulové“ a malo by sa s tým počítať v rozpočte.

Záver: Prepojte údaje, ktoré už máte

Odstraňovanie oteru z gumy je nezvyčajne vhodné pre integráciu umelej inteligencie a internetu vecí z jedného jednoduchého dôvodu: stroje už pracujú s presne kontrolovanými, kvantifikovateľnými premennými. Dávka 15 kg, cyklus 20 – 40 sekúnd, strop −150 °C, rozsah otáčok valca 20 – 70 ot./min. – to sú dátové body, ktoré čakajú na zhromaždenie, a každý z nich obsahuje kvalitné informácie.

Ak plánujete ďalšiu investíciu do vybavenia, vyberte si stroje, ktorých riadiace jednotky tieto údaje sprístupňujú čiste. Preskúmajtekompletný sortiment strojov na odstraňovanie otlačkov gumyz Xiamen Xingchangjia alebo nám pošlite výkresy vašich dielov a cieľový výstup – náš technický tím navrhne konfiguráciu odstraňovania otlačkov s možnosťami pripojenia zodpovedajúcimi úrovni automatizácie vášho závodu.