Интеграција на вештачка интелигенција и IoT во системи за отстранување на гумени влакна

By Мајк Чен, Директор за производство | 12+ години искуство во производство на гума |LinkedIn

Клучни заклучоци

• Едно буре XCJ-G600 обработува серија од 15 кг на секои 20–40 секунди — повеќе од 1.300 циклуси богати со податоци по 8-часовна смена се веќе достапни за снимање на IoT.
• Криогените единици за одлепување на масите работат на температури до −150 °C со брзина на ролерите од 20–70 вртежи во минута, а евидентирањето на обете променливи директно го открива отпадот од азот и поместувањето на изолацијата.
• Бидејќи поврзаните машини рано откриваат отстапувања во процесите, предвидливото одржување обично ги претвора непланираните запирања во закажани интервенции од помалку од 30 минути (типични вредности од проектите на нашите клиенти).
• Ретрофитирањето е подобро од замена: опремата управувана од инвертер, како што е XCJ-G600 од 7,5 kW, обично може да се поврзе со сензори и рабна порта, наместо да се купи нова.

Повеќето производители со кои соработуваме веќе поседуваат опрема за отстранување на влакна што е интелигентна на ниво на машина и целосно тивка на фабричко ниво. Контролорот ја знае брзината на валјакот; операторот ја знае тежината на серијата; тимот за квалитет ја знае стапката на отфрлање - но никој не ги поврзува трите. Токму таа исклучување е она што проектите со вештачка интелигенција и IoT се дизајнирани да го поправат.

Оваа статија објаснува што навистина значи интеграцијата во контекст на дефлажирање, кои точки на податоци вреди да се поврзат прво и фазен план што функционира за мали и средни фабрики за гума, наместо за хиперскални паметни фабрики.

Што всушност значат вештачката интелигенција и IoT во контекст на дефлажирање?

Интернетот на нештата (IoT) е практика на поврзување на индустриска опрема со мрежа, така што нејзините оперативни податоци можат да се собираат, складираат и прегледуваат; вештачката интелигенција (ВИ) е софтверскиот слој што наоѓа шеми во тие податоци и препорачува или извршува одлуки.При дефлеширање, двата работат како пар: IoT го снабдува суровиот сигнал, а вештачката интелигенција го претвора сигналот во акција - забавување на валјак, означување на истрошен ремен или ставање во карантин на сомнителна серија пред да се испрати.

Помага да се замисли машината за отстранување на влакна прво како извор на податоци, а потоа како алатка за отстранување на влакна. Секој механички циклус на отстранување на влакна и секое криогено работење под −120 °C произведува следлив отпечаток од брзината, времето, температурата и оптоварувањето. Откако ќе се зачуваат тие отпечатоци, прашањата што порано бараа инженер за процеси да стои пред цилиндарот за време на целосна смена - „кога почнаа да се зголемуваат времињата на циклусите?“ - стануваат прашање на контролната табла од десет секунди.

Кои точки на податоци за отстранување на флешот вреди да се поврзат прво?

Започнете со четирите варијабли кои веќе го одредуваат квалитетот на отстранување на влакната: време на циклус, брзина на валјакот, температура на процесот и сериско оптоварување.Тие постојат на секоја машина, се менуваат кога нешто тргнува наопаку и директно се поврзуваат со резултатите од производот. Табелата подолу ја поврзува секоја променлива со реалните вредности на опремата и оптимизацијата што ја отклучува.

Вредности на опремата добиени одСтраница на производот XCJ-G600иСпецификации за машина за криогено отстранување на влакна со течен азот.

Бидејќи криогената кршливост е трка помеѓу температурата и времето, логираните криви на ладење се највредниот сет на податоци на криогената линија.Трчање кое ја достигнува целната кршливост за 5 минути наместо за 8 заштедило 37% од својот циклус - заштеда која е невидлива на штоперицата, но очигледна во податоците.

Како предвидливото одржување ја менува економијата на дефлажирање?

Предвидувачкото одржување користи податоци за трендови - зголемување на времето на циклусите, флуктуации на струјата на моторот, нестабилност на температурата - за да закаже сервис пред да откаже компонентата, наместо потоа.Економската разлика е очигледна: дефект на погонскиот мотор во средина на смената ја запира линијата, го нарушува распоредот и може да откаже цела серија во процес, додека планираната замена идентификувана две недели порано се случува помеѓу смените.

Според нашето искуство со поддршка на линии за отстранување на флаширање во фабриките на клиентите, поврзаното следење обично прикажува три до пет отстапувања од процесот што може да се извршат по квартал на една машина - најчесто постепено продолжување на времето на циклусот и неконзистентно криогено ладење - и секое од нив може да се поправи во закажан прозорец под 30 минути (типични вредности од проектите на нашите клиенти; точните бројки варираат во зависност од мешавината на соединенија и шемата на менување).Бидејќи инверторот од 7,5 kW на машина како XCJ-G600 веќе дигитално го пријавува оптоварувањето на моторот, влезниот трошок за ова ниво на следење е портал и конфигурација, а не нов хардвер.

Исто така, постои и агол на усогласеност. Растенија сертифицирани заISO 9001се бара да покажат континуирано подобрување; трагата на податоци за параметрите на машината по серија е еден од најчистите докази што ревизорот ќе ги прифати.

Каде се вклопува машинскиот вид во јамката за квалитет?

Машинскиот вид ја затвора јамката што само податоците од сензорите ја оставаат отворена: камерите ги проверуваат отстранетите делови, а слојот со вештачка интелигенција го следи секој отфрлен дел до точниот циклус, брзина и температура што го произвеле.Ова ја претвора контролата на квалитетот од активност со поглед одзади во влезен фактор во управувањето.

Практичниот синџир изгледа вака: деловите го напуштаат цилиндерот за одблеснување, минуваат низ проверка на видот што го означува преостанатото блескање, а чистите делови продолжуваат конмашина за сепарација на гумашто го одвојува добриот производ од отпадот за тримирање. Кога системот за визија евидентира кластер за отфрлање, вештачката интелигенција ги споредува временските ознаки со податоците за цевката и одговара на важното прашање: дали ова беше лоша смеса, погрешна брзина на валјакот или серија што беше 2 кг над спецификациите?

Криогените линии најмногу добиваат од ова спарување. Криогенското отстранување на влакната постигнува стапки на поминување на готовиот производ над 98% кога параметрите се стабилни, па дури и мало логирано отстапување - крива на ладење што е 10 °C потопла од основната линија - вреди да се забележи пред да чини три поени принос.

Како изгледа реалистичен патен план за интеграција?

Работниот пристап за повеќето фабрики за гума е три фази: поврзување, анализа, па оптимизација — по тој редослед, на една машина пред целата линија.Обидот за автоматизирање на одлуките пред да постојат податоци е најчестиот начин на неуспех што го гледаме во проектите од Индустрија 4.0.

1. Поврзете една машина и дефинирајте ја основната линија.Инсталирајте edge gateway на една единица за одлепување на стап - најновата, најпридвижувана од инвертер - и евидентирајте го времето на циклусот, брзината, температурата и оптоварувањето 60 дена без да промените ништо, така што „нормалното“ се мери, а не се претпоставува.
2. Анализирајте ги резултатите според квалитетот.Спојте ги податоците од машината со записите за отфрлање од инспекцијата и дозволете слојот со вештачка интелигенција (или добра табела, искрено) да пребарува корелации помеѓу отстапувањето на параметрите и настаните за квалитет.
3. Оптимизирајте со известувања во затворен циклус.Поставете прагови на алармирање од основната линија, насочете ги кон телефоните на операторите или на контролната табла на постројката и дури потоа размислете за автоматска корекција на параметрите - чекорот што бара најголемо управување и најмалку итност.

Кои се искрените ограничувања?

Вештачката интелигенција и IoT нема да поправат нестабилен процес, истрошено цевче или лошо специфициран калап - тие само ќе ги пријават тие проблеми побрзо и попрецизно.Интеграцијата ја засилува добрата контрола на процесот; таа не ја заменува.

Две дополнителни предупредувања од нашето искуство со проекти. Прво, малите сложени работи генерираат слаби податоци: модел на вештачка интелигенција обучен на 300 циклуси од една големина на О-прстен нема да се пренесе чисто на семејство од 40 делови со краток рок, па затоа очекувањата мора да се постават по мешавина на производи. Второ, поврзаноста има безбедносна површина - упатства како што се ресурсите за сајбер безбедност во производството објавени одНИСТвреди да се прочита пред порталот да се објави.Бидејќи ќелијата што се дефлешира ретко е конструирана на интернет, правилно сегментираната фабричка мрежа го одржува дополнителниот ризик скромен, но „скромното“ не значи „нула“ и треба да се предвиди во буџетот.

Заклучок: Поврзете ги податоците што веќе ги имате

Отстранувањето на гумени влакна е невообичаено добро прилагодено за интеграција со вештачка интелигенција и IoT, од една едноставна причина: машините веќе работат на прецизно контролирани, квантификувани варијабли. Серија од 15 кг, циклус од 20–40 секунди, таван од -150 °C, опсег на ролери од 20–70 вртежи во минута - ова се точки на податоци што чекаат да се соберат, а секоја од нив носи квалитетни информации.

Ако планирате следната инвестиција во опрема, изберете машини чии контролери ги изложуваат тие податоци чисто. Истражете гоцелосен асортиман на машини за отстранување на гумаод Xiamen Xingchangjia, или испратете ни ги вашите цртежи на делови и целниот излез — нашиот инженерски тим ќе предложи конфигурација за дефлажирање со опции за поврзување соодветни на нивото на автоматизација на вашата фабрика.