Интеграция на изкуствен интелект и интернет на нещата в системи за отстраняване на каучукови частици

By Майк Чен, Директор производство | 12+ години опит в производството на каучук |LinkedIn

Ключови изводи

• Един единствен варел XCJ-G600 обработва партида от 15 кг на всеки 20–40 секунди — повече от 1300 цикъла, богати на данни, на 8-часова смяна вече са налични за IoT заснемане.
• Криогенните агрегати за отстраняване на изолационни частици работят при температури до −150 °C със скорости на ролките от 20–70 об/мин, а регистрирането на двете променливи директно разкрива загубите на азот и отклонението на изолацията.
• Тъй като свързаните машини разкриват отклонения в процесите рано, прогнозната поддръжка обикновено превръща непланираните прекъсвания в планирани интервенции с продължителност под 30 минути (типични стойности от проекти на нашите клиенти).
• Модернизацията е по-бърза от замяната: инверторно задвижвано оборудване, като например 7,5 kW XCJ-G600, обикновено може да бъде свързано със сензори и edge gateway, вместо да се закупува ново.

Повечето производители, с които работим, вече притежават оборудване за премахване на влаги, което е интелигентно на машинно ниво и напълно безшумно на фабрично ниво. Контролерът знае скоростта на ролката; операторът знае теглото на партидата; екипът по качеството знае процента на бракуване - но никой не свързва трите. Това разминаване е точно това, което проектите с изкуствен интелект и интернет на нещата са предназначени да отстранят.

Тази статия обяснява какво всъщност означава интеграцията в контекста на „deflashing“, кои точки от данни си струва да се свържат първо и предлага поетапна пътна карта, която работи за малки и средни каучукови заводи, а не за хипермащабни интелигентни фабрики.

Какво всъщност означават изкуственият интелект и интернет на нещата в контекста на размисъл?

Интернетът на нещата (IoT) е практиката за свързване на промишлено оборудване към мрежа, така че неговите оперативни данни да могат да се събират, съхраняват и преглеждат; изкуственият интелект (AI) е софтуерният слой, който намира модели в тези данни и препоръчва или изпълнява решения.При премахването на мигащи частици, двете работят заедно: IoT (Интернет на нещата) предоставя суровия сигнал, а AI превръща сигнала в действие – забавяне на ролка, сигнализиране на износен ремък или поставяне под карантина на подозрителна партида преди изпращането ѝ.

Полезно е да се мисли за машина за обезкостяване първо като източник на данни, а след това за инструмент за обезкостяване. Всеки цикъл на механично обезкостяване и всяко криогенно пускане под −120 °C създава проследим отпечатък на скорост, време, температура и натоварване. След като тези отпечатъци се съхранят, въпросите, които преди изискваха технологичен инженер да стои на цевта цяла смяна – „кога времената на цикъла започнаха да се увеличават?“ – се превръщат в десетсекундна заявка за таблото.

Кои точки от данни за премахване на флашинг си струва да се свържат първо?

Започнете с четирите променливи, които вече определят качеството на премахване на импрегнацията: време на цикъла, скорост на ролката, температура на процеса и натоварване на партидата.Те съществуват на всяка машина, променят се, когато нещо се обърка, и се отразяват директно върху резултатите от продукта. Таблицата по-долу съпоставя всяка променлива с реални стойности на оборудването и оптимизацията, която тя отключва.

Стойностите на оборудването са получени отПродуктова страница XCJ-G600иСпецификации на криогенна машина за обезвъздушаване с течен азот.

Тъй като криогенното крехкост е състезание между температура и време, регистрираните криви на охлаждане са най-ценният набор от данни за криогенна линия.Пробване, което достига целевата степен на крехкост за 5 минути вместо за 8, е спестило 37% от цикъла си – икономия, която е невидима на хронометър, но е очевидна в данните.

Как прогнозната поддръжка променя икономиката на премахването на импулси?

Прогнозната поддръжка използва данни за тенденциите – нарастващи времена на цикъла, колебания на тока на двигателя, температурна нестабилност – за да планира обслужване преди повреда на компонент, вместо след това.Икономическата разлика е очевидна: повреден задвижващ двигател по средата на смяната спира линията, нарушава графика и може да отмени цяла партида в процес на производство, докато планирана смяна, идентифицирана две седмици по-рано, се извършва между смените.

Според нашия опит в поддръжката на линии за отстраняване на искри в заводите на клиентите, свързаният мониторинг обикновено разкрива от три до пет отклонения в процеса на тримесечие на една машина – най-често постепенно удължаване на времето на цикъла и непостоянно криогенно охлаждане – и всяко от тях може да се поправи в планиран прозорец под 30 минути (типични стойности от проектите на нашите клиенти; точните цифри варират в зависимост от смесването на съединението и схемата на смяна).Тъй като 7,5 kW инверторът на машина като XCJ-G600 вече отчита натоварването на двигателя дигитално, входните разходи за това ниво на мониторинг са шлюз и конфигурация, а не нов хардуер.

Съществува и аспект на съответствието. Растения, сертифицирани поISO 9001се изисква да демонстрират непрекъснато подобрение; следа от данни за машинните параметри за всяка партида е едно от най-ясните доказателства, които одиторът ще приеме.

Къде се вписва машинното зрение в цикъла на качеството?

Машинното зрение затваря цикъла, който само данните от сензорите оставят отворен: камерите проверяват отстранените части, а слоят с изкуствен интелект проследява всяка отхвърлена част обратно до точния цикъл, скорост и температура, които са я произвели.Това превръща контрола на качеството от дейност, свързана със задно виждане, в действие, свързано с управлението на волана.

Практическата верига изглежда така: частите напускат цилиндъра за отстраняване на прах, преминават през визуална проверка, която отчита остатъчни прахове, а чистите части продължават към...машина за гумено сепариранекоето отделя добрия продукт от отпадъците от остатъците. Когато системата за зрение регистрира клъстер за отхвърляне, изкуственият интелект сравнява времевите маркировки с данните от бъчвата и отговаря на важния въпрос: дали това е лоша смес, грешна скорост на вала или партида, която е с 2 кг над спецификацията?

Криогенните линии печелят най-много от това сдвояване. Криогенното отстраняване на импулси постига процент на преминаване на крайния продукт над 98%, когато параметрите са стабилни, така че дори малко регистрирано отклонение – крива на охлаждане, която е с 10 °C по-топла от базовата – си струва да се забележи, преди да ви струва три точки добив.

Как изглежда една реалистична пътна карта за интеграция?

Работещият подход за повечето каучукови заводи е три фази: свързване, анализ, след това оптимизиране - в този ред, на една машина, преди цялата линия.Опитът за автоматизиране на решенията, преди да съществуват данни, е най-често срещаният начин на неуспех, който наблюдаваме в проектите на Индустрия 4.0.

1. Свържете една машина и дефинирайте базовата линия.Инсталирайте edge gateway на единичен дефлашинг модул - най-новият, най-инверторно задвижван - и регистрирайте времето на цикъла, скоростта, температурата и натоварването в продължение на 60 дни, без да променяте нищо, така че „нормалното“ се измерва, а не се предполага.
2. Анализирайте спрямо качествените резултати.Обединете машинните данни със записите за отхвърляне от инспекцията и оставете слоя с изкуствен интелект (или добра електронна таблица, честно казано) да търси корелации между отклонението на параметрите и събитията, свързани с качеството.
3. Оптимизирайте с аларми в затворен контур.Задайте прагове за предупреждения от базовата линия, насочете ги към телефоните на операторите или към таблото за управление на завода и едва след това помислете за автоматична корекция на параметрите – стъпката, която изисква най-много управление и най-малко спешност.

Какви са ограниченията на честността?

Изкуственият интелект и интернет на нещата няма да поправят нестабилен процес, износена цев или лошо специфицирана форма – те просто ще докладват тези проблеми по-бързо и по-точно.Интеграцията усилва добрия контрол на процесите; тя не го замества.

Две допълнителни предупреждения от нашия опит с проекти. Първо, малките серии от комбинирани продукти генерират тънки данни: модел с изкуствен интелект, обучен на 300 цикъла с един размер О-пръстен, няма да се прехвърли безпроблемно към семейство от 40 части с малка серия, така че очакванията трябва да се определят за всеки продуктов микс. Второ, свързаността има защитна повърхност - насоки като например ресурсите за киберсигурност на производството, публикувани отНИСТструва си да се прочете, преди да се пусне в експлоатация даден портал.Тъй като клетката за премахване на проблясъци рядко е проектирана с интернет връзка, правилно сегментираната фабрична мрежа поддържа допълнителния риск умерен, но „умерен“ не е „нула“ и трябва да бъде предвиден в бюджета.

Заключение: Свържете данните, които вече имате

Премахването на гумени частици е необичайно подходящо за интеграция с изкуствен интелект и интернет на нещата, по една проста причина: машините вече работят с прецизно контролирани, количествено измерими променливи. Партида от 15 кг, цикъл от 20–40 секунди, таван от −150 °C, диапазон на оборотите на валяка от 20–70 оборота в минута – това са данни, които чакат да бъдат събрани, и всяка една от тях носи качествена информация.

Ако планирате следващата си инвестиция в оборудване, изберете машини, чиито контролери предоставят тези данни безпристрастно. Разгледайтепълна гама машини за отстраняване на гумени обшивкиот Xiamen Xingchangjia или ни изпратете чертежи на вашите части и целевия резултат — нашият инженерен екип ще предложи конфигурация за премахване на импулси с опции за свързване, съответстващи на нивото на автоматизация на вашето предприятие.