ادغام هوش مصنوعی و اینترنت اشیا در سیستم‌های رفع پلیسه لاستیک

By مایک چن، مدیر تولید | بیش از ۱۲ سال سابقه در تولید لاستیک |لینکدین

نکات کلیدی

• یک بشکه XCJ-G600 هر 20 تا 40 ثانیه یک بچ 15 کیلوگرمی را می‌چرخاند - بیش از 1300 چرخه غنی از داده در هر شیفت 8 ساعته در حال حاضر برای ضبط IoT در دسترس است.
• واحدهای خنک‌کننده برودتی در دماهای پایین تا -150 درجه سانتیگراد با سرعت غلتک 20 تا 70 دور در دقیقه کار می‌کنند و ثبت هر دو متغیر مستقیماً ضایعات نیتروژن و رانش عایق را در معرض دید قرار می‌دهد.
• از آنجا که ماشین‌های متصل، انحراف فرآیند را زود آشکار می‌کنند، نگهداری و تعمیرات پیش‌بینی‌شده معمولاً توقف‌های برنامه‌ریزی نشده را به مداخلات برنامه‌ریزی‌شده کمتر از 30 دقیقه (مقادیر معمول پروژه‌های مشتریان ما) تبدیل می‌کند.
• مقاوم‌سازی بهتر از تعویض است: تجهیزات اینورتری مانند XCJ-G600 با توان 7.5 کیلووات معمولاً می‌توانند به جای خرید یک دستگاه جدید، با حسگرها و یک دروازه لبه متصل شوند.

بیشتر تولیدکنندگانی که ما با آنها کار می‌کنیم، از قبل تجهیزات دفلشینگ دارند که در سطح ماشین هوشمند و در سطح کارخانه کاملاً بی‌صدا هستند. کنترل‌کننده سرعت غلتک را می‌داند؛ اپراتور وزن دسته را می‌داند؛ تیم کیفیت نرخ رد شدن را می‌داند - اما هیچ‌کس این سه را به هم وصل نمی‌کند. این عدم ارتباط دقیقاً همان چیزی است که پروژه‌های هوش مصنوعی و اینترنت اشیا برای رفع آن طراحی شده‌اند.

این مقاله توضیح می‌دهد که ادغام در یک زمینه‌ی دی‌فلشینگ (deflashing) واقعاً به چه معناست، کدام نقاط داده ارزش اتصال اولیه را دارند، و یک نقشه راه مرحله‌ای که برای کارخانه‌های لاستیک کوچک و متوسط ​​​​به جای کارخانه‌های هوشمند در مقیاس بزرگ کار می‌کند.

هوش مصنوعی و اینترنت اشیا در یک زمینه‌ی دی‌فلشینگ (Deflashing) واقعاً به چه معناست؟

اینترنت اشیا (IoT) عملی است که تجهیزات صنعتی را به یک شبکه متصل می‌کند تا داده‌های عملیاتی آن جمع‌آوری، ذخیره و بررسی شوند؛ هوش مصنوعی (AI) لایه نرم‌افزاری است که الگوهایی را در آن داده‌ها پیدا می‌کند و تصمیماتی را توصیه یا اجرا می‌کند.در فرآیند دی‌فلشینگ، این دو به صورت جفت عمل می‌کنند: اینترنت اشیا سیگنال خام را تأمین می‌کند و هوش مصنوعی سیگنال را به عمل تبدیل می‌کند - کند کردن غلتک، علامت‌گذاری تسمه فرسوده یا قرنطینه کردن یک محموله مشکوک قبل از ارسال.

بهتر است دستگاه دی‌فلاشینگ را ابتدا به عنوان یک منبع داده و سپس به عنوان یک ابزار پلیسه‌گیری در نظر بگیرید. هر چرخه دی‌فلاشینگ مکانیکی و هر عملیات برودتی زیر ۱۲۰- درجه سانتیگراد، یک اثر انگشت قابل ردیابی از سرعت، زمان، دما و بار ایجاد می‌کند. هنگامی که این اثر انگشت‌ها ذخیره می‌شوند، سوالاتی که قبلاً نیاز به یک مهندس فرآیند داشت که برای یک شیفت کامل پشت میز بایستد - "زمان چرخه از چه زمانی شروع به افزایش کرد؟" - به یک پرسش ده ثانیه‌ای در داشبورد تبدیل می‌شوند.

کدام نقاط داده‌ی دی‌فلشینگ ارزش اتصال اولیه را دارند؟

با چهار متغیری که از قبل کیفیت دپلینینگ را تعیین می‌کنند شروع کنید: زمان چرخه، سرعت غلتک، دمای فرآیند و بار دسته‌ای.آنها در هر دستگاهی وجود دارند، وقتی مشکلی پیش می‌آید تغییر می‌کنند و مستقیماً بر نتایج محصول تأثیر می‌گذارند. جدول زیر هر متغیر را با مقادیر واقعی تجهیزات و بهینه‌سازی که ایجاد می‌کند، جفت می‌کند.

مقادیر تجهیزات ازصفحه محصول XCJ-G600ومشخصات دستگاه دی فلش کرایوژنیک نیتروژن مایع.

از آنجا که تردی برودتی رقابتی بین دما و زمان است، منحنی‌های خنک‌سازی ثبت‌شده، ارزشمندترین مجموعه داده در یک خط برودتی هستند.عملیاتی که به جای ۸ دقیقه، در ۵ دقیقه به تردی هدف برسد، ۳۷٪ از چرخه خود را صرفه‌جویی کرده است - صرفه‌جویی‌ای که روی کرونومتر دیده نمی‌شود اما در داده‌ها آشکار است.

چگونه نگهداری و تعمیرات پیش‌بینانه، اقتصادِ رو به زوال را تغییر می‌دهد؟

نگهداری و تعمیرات پیش‌بینانه از داده‌های روند - افزایش زمان چرخه، نوسانات جریان موتور، ناپایداری دما - برای برنامه‌ریزی سرویس قبل از خرابی یک قطعه، به جای بعد از آن، استفاده می‌کند.تفاوت اقتصادی کاملاً آشکار است: یک موتور محرک خراب در اواسط شیفت، خط را متوقف می‌کند، برنامه را به هم می‌ریزد و می‌تواند یک دسته کامل در حال تولید را از بین ببرد، در حالی که یک تعویض برنامه‌ریزی شده که دو هفته زودتر شناسایی شده است، بین شیفت‌ها اتفاق می‌افتد.

در تجربه ما در پشتیبانی از خطوط تخلیه فلاشینگ در کارخانه‌های مشتری، نظارت متصل معمولاً سه تا پنج رانش فرآیند قابل اقدام را در هر سه ماه روی یک دستگاه واحد تشخیص می‌دهد - که معمولاً افزایش تدریجی زمان چرخه و کاهش دمای برودتی نامنظم است - و هر یک از آنها در یک پنجره برنامه‌ریزی شده کمتر از 30 دقیقه قابل رفع است (مقادیر معمول از پروژه‌های مشتری ما؛ ارقام دقیق با توجه به ترکیب مرکب و الگوی شیفت متفاوت است).از آنجا که اینورتر ۷.۵ کیلوواتی روی دستگاهی مانند XCJ-G600 از قبل بار موتور را به صورت دیجیتالی گزارش می‌دهد، هزینه اولیه برای این سطح از نظارت، یک درگاه و پیکربندی است، نه یک سخت‌افزار جدید.

یک زاویه انطباق هم وجود دارد. گیاهانی که گواهی شده‌اندایزو ۹۰۰۱از آنها خواسته می‌شود که بهبود مستمر را نشان دهند؛ ردیابی داده‌ها از پارامترهای ماشین در هر دسته، یکی از واضح‌ترین شواهدی است که یک حسابرس خواهد پذیرفت.

جایگاه بینایی ماشین در حلقه کیفیت کجاست؟

بینایی ماشین حلقه‌ای را که داده‌های حسگر به تنهایی باز می‌گذارند، می‌بندد: دوربین‌ها قطعات دی‌فلاش‌شده را بررسی می‌کنند و لایه هوش مصنوعی هر قطعه رد شده را تا چرخه، سرعت و دمای دقیقی که آن را تولید کرده است، ردیابی می‌کند.این امر کنترل کیفیت را از یک فعالیت عقب‌نگرانه به یک ورودی هدایت تبدیل می‌کند.

زنجیره عملی به این شکل است: قطعات از بشکه تخلیه جرقه خارج می‌شوند، از یک بررسی بصری عبور می‌کنند که جرقه باقیمانده را نشان می‌دهد، و قطعات تمیز به ... ادامه می‌دهند.دستگاه جداکننده لاستیککه محصول خوب را از ضایعات تریم جدا می‌کند. وقتی سیستم بینایی یک خوشه رد شده را ثبت می‌کند، هوش مصنوعی مهرهای زمانی را با داده‌های بشکه مقایسه می‌کند و به سوال مهم پاسخ می‌دهد: آیا این یک ترکیب بد، سرعت غلطک اشتباه یا دسته‌ای بود که ۲ کیلوگرم بیشتر از مشخصات بود؟

خطوط برودتی بیشترین بهره را از این جفت شدن می‌برند. دی‌فلاشینگ برودتی در صورت پایداری پارامترها، نرخ عبور محصول نهایی را به بالای ۹۸٪ می‌رساند، بنابراین حتی یک انحراف کوچک ثبت شده - یک منحنی خنک‌کننده که ۱۰ درجه سانتیگراد گرمتر از خط پایه است - قبل از اینکه سه واحد از بازده را از دست بدهد، ارزش تشخیص دارد.

یک نقشه راه ادغام واقع‌بینانه چگونه است؟

رویکرد عملی برای اکثر کارخانه‌های لاستیک‌سازی سه مرحله دارد: اتصال، تجزیه و تحلیل، سپس بهینه‌سازی - به همین ترتیب، روی یک دستگاه قبل از کل خط.تلاش برای خودکارسازی تصمیمات قبل از وجود داده‌ها، رایج‌ترین حالت شکستی است که در پروژه‌های صنعت ۴.۰ مشاهده می‌کنیم.

1. یک دستگاه را وصل کنید و خط پایه را تعریف کنید.یک دروازه لبه را روی یک واحد دی‌فلشینگ - جدیدترین و مجهزترین واحد اینورتر - نصب کنید و زمان چرخه، سرعت، دما و بار را به مدت ۶۰ روز بدون تغییر هیچ چیز ثبت کنید، بنابراین "عادی" اندازه‌گیری می‌شود و نه فرضی.
2. نتایج کیفی را تجزیه و تحلیل کنید.داده‌های دستگاه را با سوابق رد شدن از بازرسی ادغام کنید و اجازه دهید لایه هوش مصنوعی (یا صادقانه بگویم، یک صفحه گسترده خوب) به دنبال همبستگی بین رانش پارامتر و رویدادهای کیفی بگردد.
3. با هشدارهای حلقه بسته بهینه سازی کنید.آستانه‌های هشدار را از خط پایه تنظیم کنید، آنها را به تلفن‌های اپراتورها یا داشبورد کارخانه هدایت کنید، و تنها پس از آن اصلاح خودکار پارامترها را در نظر بگیرید - مرحله‌ای که به بیشترین مدیریت و کمترین فوریت نیاز دارد.

محدودیت‌های صادقانه چیست؟

هوش مصنوعی و اینترنت اشیا یک فرآیند ناپایدار، یک بشکه فرسوده یا یک قالب بد مشخص شده را اصلاح نمی‌کنند - آنها صرفاً این مشکلات را سریع‌تر و دقیق‌تر گزارش می‌دهند.یکپارچه‌سازی، کنترل خوب فرآیند را تقویت می‌کند؛ اما جایگزین آن نمی‌شود.

دو نکته‌ی هشداردهنده‌ی دیگر از تجربه‌ی پروژه‌ی ما. اول، تولید قطعات کوچک با حجم کم، داده‌های ضعیفی تولید می‌کند: یک مدل هوش مصنوعی که روی ۳۰۰ چرخه با اندازه‌ی یک حلقه‌ی اورینگ آموزش دیده است، به طور کامل به خانواده‌ای متشکل از ۴۰ قطعه با حجم کم منتقل نمی‌شود، بنابراین انتظارات باید بر اساس ترکیب محصول تنظیم شود. دوم، اتصال دارای یک سطح امنیتی است - راهنمایی‌هایی مانند منابع امنیت سایبری تولید منتشر شده توسطنیستارزش خواندن دارد قبل از اینکه یک دروازه (gateway) راه‌اندازی شود.از آنجا که یک سلول دی‌فلشینگ به ندرت از نظر طراحی به اینترنت متصل می‌شود، یک شبکه کارخانه‌ای که به درستی بخش‌بندی شده باشد، ریسک اضافی را در حد متوسط ​​نگه می‌دارد، اما «متوسط» به معنای «صفر» نیست و باید برای آن بودجه‌بندی شود.

نتیجه‌گیری: داده‌هایی را که از قبل دارید به هم متصل کنید

به یک دلیل ساده، دی‌پلیسینگ لاستیک به طور غیرمعمولی برای ادغام هوش مصنوعی و اینترنت اشیا مناسب است: این ماشین‌ها از قبل با متغیرهای قابل اندازه‌گیری و دقیقاً کنترل‌شده کار می‌کنند. یک بچ ۱۵ کیلوگرمی، یک چرخه ۲۰ تا ۴۰ ثانیه‌ای، یک سقف ۱۵۰- درجه سانتیگراد، یک محدوده غلتک ۲۰ تا ۷۰ دور در دقیقه - اینها نقاط داده‌ای هستند که منتظر جمع‌آوری هستند و هر یک از آنها اطلاعات باکیفیتی را در خود جای داده‌اند.

اگر در حال برنامه‌ریزی برای سرمایه‌گذاری تجهیزات بعدی هستید، دستگاه‌هایی را انتخاب کنید که کنترل‌کننده‌های آنها داده‌ها را به طور شفاف نمایش می‌دهند.طیف کامل دستگاه‌های برق‌زدایی لاستیکاز Xiamen Xingchangjia، یا نقشه‌های قطعه و خروجی مورد نظر خود را برای ما ارسال کنید - تیم مهندسی ما یک پیکربندی deflashing با گزینه‌های اتصال متناسب با سطح اتوماسیون کارخانه شما پیشنهاد خواهد داد.