Integracja sztucznej inteligencji i Internetu rzeczy w systemach obróbki blachy gumowej

By Mike Chen, Dyrektor Produkcji | Ponad 12 lat doświadczenia w produkcji gumy |LinkedIn

Najważniejsze wnioski

• Pojedyncza beczka XCJ-G600 przetwarza partię 15 kg co 20–40 sekund — ponad 1300 cykli bogatych w dane na 8-godzinną zmianę jest już dostępnych do przechwytywania przez IoT.
• Urządzenia do kriogenicznego usuwania rąbków pracują w temperaturach do −150 °C, a prędkość walców wynosi 20–70 obr./min. Rejestrowanie obu zmiennych bezpośrednio ujawnia straty azotu i dryft izolacji.
• Ponieważ połączone maszyny wcześnie wykrywają odchylenia procesu, konserwacja predykcyjna zazwyczaj pozwala przekształcić nieplanowane przestoje w zaplanowane interwencje trwające krócej niż 30 minut (typowe wartości z projektów naszych klientów).
• Modernizacja jest lepsza niż wymiana: urządzenia napędzane falownikiem, takie jak 7,5 kW XCJ-G600, można zazwyczaj połączyć z czujnikami i bramką brzegową zamiast kupować nowe urządzenia.

Większość producentów, z którymi współpracujemy, posiada już inteligentny sprzęt do usuwania wypływek, który działa na poziomie maszyny, a jednocześnie jest całkowicie bezgłośny w fabryce. Kontroler zna prędkość wałka, operator zna wagę partii, zespół ds. jakości zna wskaźnik odrzutów – ale nikt nie łączy tych trzech elementów. Właśnie ten brak połączenia ma na celu rozwiązanie problemu sztucznej inteligencji (AI) i Internetu rzeczy (IoT).

W tym artykule wyjaśniono, co tak naprawdę oznacza integracja w kontekście deflashingu, które punkty danych warto połączyć w pierwszej kolejności oraz przedstawiono etapowy plan działania, który sprawdzi się w przypadku małych i średnich zakładów gumowych, a nie w przypadku inteligentnych fabryk o dużej skali.

Co tak naprawdę oznaczają AI i IoT w kontekście deflashingu?

Internet rzeczy (IoT) to praktyka łączenia urządzeń przemysłowych z siecią w celu gromadzenia, przechowywania i przeglądania danych operacyjnych; sztuczna inteligencja (AI) to warstwa oprogramowania, która znajduje wzorce w tych danych i zaleca lub realizuje decyzje.Podczas usuwania powłok lakierniczych oba systemy działają w parze: IoT dostarcza surowy sygnał, a sztuczna inteligencja przekształca sygnał w działanie — spowalniając rolkę, oznaczając zużyty pas lub poddając kwarantannie podejrzaną partię przed jej wysyłką.

Warto pomyśleć o maszynie do usuwania zadziorów przede wszystkim jako o źródle danych, a dopiero potem o narzędziu do usuwania zadziorów. Każdy cykl mechanicznego usuwania zadziorów i każdy cykl kriogeniczny w temperaturze poniżej −120°C generuje identyfikowalny odcisk palca prędkości, czasu, temperatury i obciążenia. Po zapisaniu tych odcisków palca, pytania, które kiedyś wymagały od inżyniera procesu stania przy bębnie przez całą zmianę – „kiedy czasy cykli zaczęły się wydłużać?” – stają się dziesięciosekundowym zapytaniem do pulpitu nawigacyjnego.

Które punkty danych deflashingu warto połączyć w pierwszej kolejności?

Zacznij od czterech zmiennych, które już decydują o jakości usuwania wypływek: czas cyklu, prędkość rolek, temperatura procesu i obciążenie wsadu.Istnieją na każdej maszynie, zmieniają się, gdy coś pójdzie nie tak i bezpośrednio przekładają się na wyniki produktu. Poniższa tabela zestawia każdą zmienną z rzeczywistymi wartościami sprzętu i optymalizacją, jaką ona zapewnia.

Wartości sprzętu pochodzą zStrona produktu XCJ-G600ispecyfikacje kriogenicznej maszyny do usuwania wypływek ciekłym azotem.

Ponieważ kruchość kriogeniczna jest wyścigiem pomiędzy temperaturą i czasem, zarejestrowane krzywe chłodzenia stanowią najcenniejszy pojedynczy zbiór danych na temat linii kriogenicznej.Próba, w której docelowa kruchość została osiągnięta w 5 minut zamiast w 8, pozwoliła zaoszczędzić 37% cyklu — oszczędność ta nie jest widoczna na stoperze, ale jest oczywista w danych.

Jak konserwacja predykcyjna zmienia ekonomikę usuwania wypływek?

Konserwacja predykcyjna wykorzystuje dane dotyczące trendów — rosnące czasy cykli, wahania prądu silnika, niestabilność temperatury — w celu zaplanowania serwisu przed awarią podzespołu, a nie po niej.Różnica ekonomiczna jest rażąca: awaria silnika napędowego w trakcie zmiany powoduje zatrzymanie linii produkcyjnej, zakłócenie harmonogramu i konieczność wycofania całej partii produkcyjnej, podczas gdy planowana wymiana, wykryta dwa tygodnie wcześniej, odbywa się między zmianami.

Z naszego doświadczenia w obsłudze linii do usuwania wypływek w zakładach klientów wynika, że ​​połączony system monitorowania zwykle wykrywa od trzech do pięciu możliwych do podjęcia działań odchyleń procesu na kwartał na jednej maszynie — najczęściej jest to stopniowe wydłużanie czasu cyklu i niespójne schładzanie kriogeniczne — a każde z nich można naprawić w zaplanowanym oknie czasowym krótszym niż 30 minut (typowe wartości z projektów naszych klientów; dokładne liczby mogą się różnić w zależności od mieszanki i schematu zmian).Ponieważ falownik o mocy 7,5 kW w maszynie typu XCJ-G600 już cyfrowo raportuje obciążenie silnika, kosztem wejścia na ten poziom monitorowania jest bramka i konfiguracja, a nie nowy sprzęt.

Istnieje również aspekt zgodności. Zakłady certyfikowane zgodnie zISO 9001proszeni są o wykazanie ciągłego doskonalenia; zapis danych parametrów maszyny dla każdej partii jest jednym z najczystszych dowodów, jakie zaakceptuje audytor.

Jakie miejsce w systemie jakości zajmuje system wizyjny?

Wizja maszynowa zamyka pętlę, którą otwierają jedynie dane z czujników: kamery sprawdzają uszkodzone części, a warstwa sztucznej inteligencji śledzi każdą odrzuconą część, aż do dokładnego cyklu, prędkości i temperatury, w której została wytworzona.Dzięki temu kontrola jakości zmienia się z czynności polegającej na obserwacji przeszłości w działanie sterownicze.

Praktyczny łańcuch wygląda następująco: części opuszczają lufę odbłyśnika, przechodzą przez kontrolę wizyjną, która wykrywa pozostałości błysków, a czyste części przechodzą domaszyna do separacji gumyktóry oddziela dobry produkt od odpadów. Gdy system wizyjny rejestruje grupę odrzuceń, sztuczna inteligencja porównuje znaczniki czasu z danymi z beczki i odpowiada na istotne pytanie: czy była to wadliwa mieszanka, niewłaściwa prędkość wałka, czy partia o 2 kg powyżej specyfikacji?

Linie kriogeniczne czerpią największe korzyści z tego połączenia. Kriogeniczne usuwanie wypływek pozwala na osiągnięcie wskaźnika zdawalności gotowego produktu powyżej 98% przy stabilnych parametrach, więc nawet niewielkie odchylenie w logarytmie – krzywa chłodzenia o 10°C cieplejsza niż linia bazowa – jest warte wychwycenia, zanim straci trzy punkty wydajności.

Jak wygląda realistyczna mapa drogowa integracji?

W przypadku większości zakładów produkujących gumę, podejście sprawdzające się w praktyce składa się z trzech faz: podłączenia, analizy, a następnie optymalizacji — w tej kolejności, najpierw na jednej maszynie, a potem na całej linii.Próba zautomatyzowania decyzji, zanim dane zostaną zebrane, to najczęstszy rodzaj awarii, z jaką spotykamy się w projektach Przemysłu 4.0.

1. Podłącz jedną maszynę i określ linię bazową.Zainstaluj bramkę brzegową na pojedynczym urządzeniu do usuwania rąbków — najnowszym i najczęściej sterowanym falownikiem — i rejestruj czas cyklu, prędkość, temperaturę i obciążenie przez 60 dni bez wprowadzania jakichkolwiek zmian, dzięki czemu „normalne” wartości będą mierzone, a nie zakładane.
2. Przeprowadź analizę pod kątem wyników jakościowych.Połącz dane maszynowe z rekordami odrzuceń z inspekcji i pozwól warstwie sztucznej inteligencji (albo dobremu arkuszowi kalkulacyjnemu) wyszukać korelacje między dryftem parametrów a zdarzeniami jakościowymi.
3. Optymalizacja dzięki alertom w pętli zamkniętej.Ustaw progi alarmowe na podstawie danych bazowych, przekieruj je na telefony operatorów lub pulpit nawigacyjny zakładu, a dopiero potem rozważ automatyczną korektę parametrów — krok wymagający najwięcej nadzoru i najmniej pilny.

Jakie są uczciwe ograniczenia?

Sztuczna inteligencja i IoT nie naprawią niestabilnego procesu, zużytego cylindra ani źle określonej formy — po prostu szybciej i dokładniej zgłoszą te problemy.Integracja wzmacnia dobrą kontrolę procesów, ale jej nie zastępuje.

Dwa kolejne ostrzeżenia z naszego doświadczenia projektowego. Po pierwsze, małe serie złożone generują mało danych: model sztucznej inteligencji wytrenowany na 300 cyklach jednego rozmiaru O-ringu nie przeniesie się bezproblemowo do rodziny 40 części krótkoseryjnych, dlatego oczekiwania należy ustalać indywidualnie dla każdego asortymentu produktów. Po drugie, łączność ma aspekt bezpieczeństwa – wskazówki, takie jak zasoby dotyczące cyberbezpieczeństwa w produkcji opublikowane przezNISTWarto przeczytać przed uruchomieniem bramy.Ponieważ zdemontowana komórka rzadko jest zaprojektowana tak, aby mieć dostęp do Internetu, odpowiednio segmentowana sieć fabryczna sprawia, że ​​dodatkowe ryzyko pozostaje na umiarkowanym poziomie, jednak „umiarkowane” nie oznacza „zerowego” i należy uwzględnić je w budżecie.

Wniosek: Połącz dane, które już posiadasz

Obróbka gumy jest wyjątkowo dobrze przystosowana do integracji sztucznej inteligencji (AI) i internetu rzeczy (IoT) z jednego prostego powodu: maszyny już teraz działają w oparciu o precyzyjnie kontrolowane, mierzalne zmienne. Partia 15 kg, cykl 20–40 sekund, temperatura maksymalna –150°C, zakres obrotów wałka 20–70 obr./min – to punkty danych czekające na zebranie, a każdy z nich niesie ze sobą informacje o jakości.

Jeśli planujesz kolejną inwestycję w sprzęt, wybierz maszyny, których kontrolery udostępniają te dane w sposób przejrzysty. Poznajpełna gama maszyn do usuwania wypływek z gumyz Xiamen Xingchangjia lub prześlij nam rysunki swoich części i oczekiwane dane wyjściowe — nasz zespół inżynierów zaproponuje konfigurację usuwania wypływek z opcjami łączności dostosowanymi do poziomu automatyzacji Twojego zakładu.