Інтеграція штучного інтелекту та Інтернету речей у системи видалення гумового опалювального матеріалу

By Майк Чен, Директор з виробництва | Більше 12 років досвіду у виробництві гуми |LinkedIn

Ключові висновки

• Одна бочка XCJ-G600 обробляє 15-кілограмову партію кожні 20–40 секунд — для збору даних через IoT вже доступно понад 1300 циклів обробки даних за 8-годинну зміну.
• Кріогенні установки для видалення опалювального матеріалу працюють за температур до -150 °C зі швидкістю обертання роликів 20–70 об/хв, а реєстрація обох змінних безпосередньо виявляє втрати азоту та дрейф ізоляції.
• Оскільки підключені машини виявляють відхилення від процесу на ранній стадії, прогнозне обслуговування зазвичай перетворює незаплановані зупинки на планові втручання тривалістю менше 30 хвилин (типові значення з проектів наших клієнтів).
• Модернізація переважає заміну: обладнання з інверторним керуванням, таке як XCJ-G600 потужністю 7,5 кВт, зазвичай можна підключити до датчиків та периферійного шлюзу замість покупки нового обладнання.

Більшість виробників, з якими ми співпрацюємо, вже мають обладнання для видалення опалювальних матеріалів, яке є інтелектуальним на рівні машини та абсолютно безшумним на рівні заводу. Контролер знає швидкість ролика; оператор знає вагу партії; команда з якості знає рівень браку — але ніхто не пов’язує ці три аспекти. Саме цей розрив зв’язку і є тим, що мають виправити проекти штучного інтелекту та Інтернету речей.

У цій статті пояснюється, що насправді означає інтеграція в контексті дефлешування, які точки даних варто підключити в першу чергу, а також поетапна дорожня карта, яка працює для малих і середніх каучукових заводів, а не для гіпермасштабних розумних фабрик.

Що насправді означають ШІ та Інтернет речей у контексті розмиття?

Інтернет речей (IoT) — це практика підключення промислового обладнання до мережі для збору, зберігання та аналізу його робочих даних; штучний інтелект (ШІ) — це програмний рівень, який знаходить закономірності в цих даних та рекомендує або виконує рішення.Під час видалення спалаху ці два процеси працюють разом: Інтернет речей (IoT) постачає необроблений сигнал, а штучний інтелект перетворює його на дію — уповільнює ролик, позначає зношений ремінь або поміщає підозрілу партію в карантин перед відправкою.

Варто уявити собі машину для видалення задирок, перш за все, як джерело даних, а вже потім як інструмент для видалення задирок. Кожен цикл механічного видалення задирок та кожен кріогенний прогін за температури нижче −120 °C створюють відстежуваний відбиток швидкості, часу, температури та навантаження. Після того, як ці відбитки зберігаються, питання, які раніше вимагали, щоб інженер-технолог стояв біля циліндра протягом повної зміни — «коли час циклу почав поступово збільшуватися?» — перетворюються на десятисекундний запит на інформаційній панелі.

Які точки даних для видалення спалаху варто підключити першими?

Почніть із чотирьох змінних, які вже визначають якість видалення опалювального матеріалу: час циклу, швидкість ролика, температура процесу та завантаження партії.Вони існують на кожній машині, вони змінюються, коли щось йде не так, і безпосередньо впливають на результати роботи продукту. У таблиці нижче кожна змінна поєднується з реальними значеннями обладнання та оптимізацією, яку вона забезпечує.

Вартість обладнання взята зСторінка продукту XCJ-G600іТехнічні характеристики кріогенної машини для видалення опалювальних матеріалів рідким азотом.

Оскільки кріогенне окрихчення – це змагання між температурою та часом, зареєстровані криві охолодження є найціннішим набором даних на кріогенній лінії.Пробіг, який досягає цільового рівня окрихчення за 5 хвилин замість 8, заощадив 37% свого циклу — економія, яка не помітна на секундомірі, але очевидна в даних.

Як прогнозне обслуговування змінює економіку видалення спалахів?

Прогнозне технічне обслуговування використовує дані про тенденції — зростання тривалості циклу, коливання струму двигуна, нестабільність температури — для планування обслуговування до виходу компонента з ладу, а не після нього.Економічна різниця разюча: несправний приводний двигун посеред зміни зупиняє лінію, порушує графік і може скасувати повну партію продукції в процесі виробництва, тоді як планова заміна, виявлена ​​на два тижні раніше, відбувається між змінами.

Згідно з нашим досвідом підтримки ліній видалення опалювального матеріалу на заводах клієнтів, підключений моніторинг зазвичай виявляє від трьох до п'яти відхилень процесу, що потребують вжиття заходів, на квартал на одній машині — найчастіше це поступове збільшення тривалості циклу та непослідовне кріогенне охолодження — і кожен з них можна виправити в запланований період до 30 хвилин (типові значення з проектів наших клієнтів; точні цифри залежать від суміші компаундів та схеми зміни).Оскільки інвертор потужністю 7,5 кВт у такій машині, як XCJ-G600, вже повідомляє про навантаження двигуна в цифровому вигляді, початкові витрати на цей рівень моніторингу пов'язані з шлюзом та конфігурацією, а не з новим обладнанням.

Також є аспект дотримання вимог. Рослини сертифіковані заISO 9001від них вимагають демонстрації постійного вдосконалення; дані про параметри машини для кожної партії є одним із найчистіших доказів, які аудитор прийме.

Яке місце займає машинний зір у циклі якості?

Машинний зір замикає цикл, який залишають відкритим лише дані датчиків: камери оглядають деталі, з яких видалено спалах, а шар штучного інтелекту відстежує кожну відхилену деталь до точного циклу, швидкості та температури, які її призвели.Це перетворює контроль якості з функції заднього огляду на функцію керування.

Практичний ланцюжок виглядає так: деталі виходять з барабана для видалення полум'я, проходять візуальну перевірку, яка виявляє залишкове полум'я, а чисті деталі продовжуютьмашина для гумового сепараторащо відокремлює якісний продукт від відходів обрізки. Коли система машинного зору реєструє кластер браку, штучний інтелект порівнює часові позначки з даними бочки та відповідає на важливе питання: чи це був поганий компаунд, неправильна швидкість вальця чи партія, яка на 2 кг перевищувала специфікацію?

Кріогенні лінії отримують найбільшу користь від цього поєднання. Кріогенне видалення опалювального матеріалу досягає показника проходження випробувань готової продукції понад 98%, коли параметри стабільні, тому навіть невелике зареєстроване відхилення — крива охолодження на 10 °C тепліша за базову — варто врахувати, перш ніж це призведе до зниження продуктивності на три пункти.

Як виглядає реалістична дорожня карта інтеграції?

Практичний підхід для більшості каучукових заводів складається з трьох фаз: підключення, аналіз, потім оптимізація — саме в такому порядку, на одній машині, а потім на всій лінії.Спроба автоматизувати рішення до появи даних є найпоширенішим видом невдач, який ми спостерігаємо в проектах Індустрії 4.0.

1. Підключіть одну машину та визначте базову лінію.Встановіть периферійний шлюз на один пристрій видалення спалаху — найновіший, з найбільшою кількістю інверторних пристроїв — і реєструйте час циклу, швидкість, температуру та навантаження протягом 60 днів без жодних змін, щоб «норма» вимірювалася, а не була прийнятою.
2. Проаналізуйте результати за якістю.Об'єднайте дані машини із записами про брак під час перевірки та дозвольте шару штучного інтелекту (або, чесно кажучи, гарній електронній таблиці) шукати кореляції між дрейфом параметрів та подіями якості.
3. Оптимізуйте за допомогою сповіщень із замкнутим циклом.Встановіть порогові значення сповіщень на основі базового рівня, направте їх на телефони операторів або на панель приладів заводу, і лише потім розгляньте автоматичну корекцію параметрів — крок, який вимагає найбільшого контролю та найменшої терміновості.

Які чесні обмеження?

Штучний інтелект та Інтернет речей не виправлять нестабільний процес, зношену бочку чи погано визначену форму — вони просто повідомлятимуть про ці проблеми швидше та точніше.Інтеграція посилює хороший контроль процесів; вона не замінює його.

Ще два застереження з нашого досвіду проектів. По-перше, невеликі складні партії генерують обмежені дані: модель штучного інтелекту, навчена на 300 циклах одного розміру ущільнювального кільця, не буде коректно переносити дані на сімейство з 40 коротких серійних деталей, тому очікування необхідно встановлювати для кожного номенклатурного продукту. По-друге, зв'язок має поверхню безпеки — такі рекомендації, як ресурси з кібербезпеки виробництва, опублікованіНІСТварто прочитати, перш ніж шлюз буде запущено.Оскільки комірка для видалення спалахів рідко має вихід в Інтернет за своєю конструкциєю, правильно сегментована заводська мережа зменшує додатковий ризик, але «скромний» не означає «нульовий» і його слід передбачити в бюджеті.

Висновок: Підключіть дані, які у вас вже є

Зняття гумового шару надзвичайно добре підходить для інтеграції штучного інтелекту та Інтернету речей з однієї простої причини: машини вже працюють на точно контрольованих, кількісно вимірюваних змінних. Партія 15 кг, цикл 20–40 секунд, стеля −150 °C, діапазон обертання валків 20–70 об/хв — це точки даних, які чекають на збір, і кожна з них містить якісну інформацію.

Якщо ви плануєте наступні інвестиції в обладнання, оберіть машини, контролери яких чітко надають доступ до цих даних. Дослідітьповний асортимент машин для видалення гумового осипуз Сямень Сінчанцзя, або надішліть нам креслення деталей та цільовий результат — наша інженерна команда запропонує конфігурацію видалення опалювального матеріалу з варіантами підключення, що відповідають рівню автоматизації вашого заводу.