Įrangos apdorojimas: pažengusi technologija?

Pramonės interneto dalykų (IIoT) ir realaus laiko įrangos stebėsena

Kaip IIoT leidžia realiu laiku rinkti duomenis įrangos apdorojimo procese

Pramoninis IoT, arba trumpai IIoT, keičia tai, kaip gamykloms valdyti savo įrangą, talpinant protingus jutiklius tiesiogiai į pačias mašinas. Šie mažyčiai įrenginiai stebi tokius dalykus kaip vibracijos, šilumos lygis ir energijos suvartojimas, o tada siunčia visą šią informaciją į centrinį kompiuterį, kur ji yra analizuojama. Paimkime gamybos aikštę su kompresoriais, prijungtais prie IIoT sistemų. Kai šie kompresoriai pradeda rodyti keistus slėgio pokyčius, darbuotojai gauna įspėjimus, kad galėtų ištaisyti problemas dar prieš visišką gedimą. Koks skirtumas tarp laukimo, kol kažkas sugenda, ir iš anksto taisant? Gamyklos praneša, kad perėjus prie tokio priežiūros požiūrio, netikėtos sustojimų sumažėja nuo 25% iki 35%. Tai reiškia sutaupytus pinigus ir ilgesnį gamybos linijų veikimą.

Belaidžių jutiklių tinklai ir kraštinis skaičiavimas greitesniam pramonės sprendimų priėmimui

Šiandienos pramoninių IoT konfigūracijos sujungia belaidžius jutiklius ir kraštines skaičiavimo galimybes, kad būtų sumažintas sprendimų priėmimo laikas. Vietoj to, kad didelės neapdoroto duomenų kiekiai būtų siunčiami į tolimus debesų serverius, šie kraštiniai įrenginiai apdoroja reikiamus duomenis kaip tik ten, kur vyksta veikla. Paimkime, pavyzdžiui, turbinų gamybos liniją. Naudojant šią konfigūraciją, sistema analizuoja, kaip darbo vietose dėvimi guoliai, ir beveik iš karto inicijuoja techninės priežiūros procedūras. Greičio skirtumas iš tiesų stulbinantis. Kalbame apie duomenų siuntimo laiko mažinimą maždaug 80 procentų, lyginant su senamadiškais debesų sprendimais. Žinoma, vis dar yra kai kurių sunkumų, susijusių su diegimo kaštų ir suderinamumo problemomis, tačiau nauda iš kalbos kalba pati už save.

Pramoninio interneto daugelio gamybos ir sunkiosios pramonės sektoriuose plėtimasis

Daugiau nei 67 % gamintojų šiuo metu naudoja IIoT sprendimus, o įsisavinimo tempai dvigubai išaugo kasimo ir energijos sektoriuose nuo 2021 m. Perdirbimo įmonės pasiekia matomų rezultatų:

Sunkiųjų įrenginių operatoriai nurodo, kad anomalijų aptikimo sparta padidėjo 40 %, kai naudojamas IIoT kartu su dirbtinio intelekto pagrįstu vibracijos analizės įrankiais.

IIoT integravimas su senąja įranga siekiant efektyvesnių darbo procesų

Senesnės kartos mašinų modernizavimas, pridėjus IIoT funkcijas, kelia iššūkius, tačiau užtikrina matomą investicijų grąžą. 2022 m. inicijuotas CNC mašinų modernizavimas pasiekė:

• 90 % sėkmingo integravimo rodiklis, naudojant universalius jutiklių adapterius
• 50 % kalibravimo klaidų mažėjimas dėl išmaniųjų matuoklių
• 120 000 $/metinis taupymas numatant priežiūros kaštus

Duomenų šliuzai verčia analoginius signalus iš senų sistemų į IIoT suderinamą formatą, užpildant tarpą tarp senoviškų spaustukų ir šiuolaikinių analizės skydelių.

Pažengusi robotika ir automatizacija šiuolaikinės įrangos apdorojime

Robotikos integravimas į sunkiąją įrangą ir gamybos sistemas

Šiandien pramonės įmonės vis dažniau kreipiasi į robotus dėl darbų, kuriems reikia tikslaus įrangos apdorojimo. Tai matoma visur – nuo didelių laivų suvirinimo stotelių iki modernių CNC mašinų, naudojamų lėktuvų dalių gamyboje. Paimkime automobilių gamybos įmones. Kai kuriose iš jų dabar naudojami robotų rankos, galinčios pakelti iki 1,5 tonos variklių blokus, tuo tarpu judėjimo paklaida yra vos 0,02 mm. Tai yra nuostabu, kai pagalvojate apie tai, kad tokia tikslumo lygis sumažina surinkimo klaidas beveik 60 % lyginant su tuo, ką gali pasiekti žmonės rankiniu būdu. Patys robotai yra su specialiais jutikliais, kurie aptinka jėgas, ir kameromis, kurios leidžia jiems greitai prisitaikyti prie skirtingų medžiagų. Tai ypač svarbu dirbant su sunkiai apdorojamais metalais ar kompozitais, kurie gamybos procese ne visada elgiasi prognozuojamai.

Nuotoliniu būdu valdoma ir autonominė įranga perdirbimo gamyklose

Kasybos pramonė jau pradėjo naudoti autominius sunkvežimius, kurie važiuoja pagal dirbtinio intelekto suplanuotus maršrutus, perveža milžiniškas 320 tonų krūvis ir sunaudoja 12 procentų mažiau kuro lyginant su tuo, ką anksčiau suvartodavo vairuotojai. Tuo tarpu kepyklės ir maisto gamybos įmonės gauna pagalbą iš šių naujų robotų darbuotojų, vadinamųjų bendradarbiavimo robotų (cobots). Šie įrenginiai gali greitai keisti savo gniaužtuvų stiprumą, kai reikia apvynioti lengvai žūstančias pyrago ir tortų dalis, todėl per valandą gali apdoroti dvigubai daugiau prekių, nesugadinant jų. Pereinama prie automatizacijos yra logiška įmonėms, kurios susiduria su darbuotojų trūkumu ir siekia nuoseklių rezultatų pavojingose darbo vietose, kur klaidos kainuoja pinigų, o kartais ir gyvybių.

Atvejo analizė: Visiškai automatinės surinkimo linijos įrenginių apdorojime

Viena didelė Europos plieno įmonė neseniai įdiegė visiškai automatizuotą gamybos liniją. Šią sistemą sudaro robotai, perdirbantys medžiagas, dirbtinio intelekto pagrįsti protingi skenavimo įrenginiai ir mažyčiai vairuotojų neturintys vežimėliai, vadinami AGV, kurie sinchronizuotai veikia sudėtingose sekose. Įspūdinga yra tai, kad ši sistema per dieną gali apdoroti daugiau nei 8 000 plieno ritinių, tuo tarpu defektų rodiklis išlieka vos 0,004%. Be to, energijos sąskaitos sumažėjo apie 40 % dėl protingų algoritmų, kurie prognozuoja, kada mašinos reikalingos energijai, o kada gali būti laikomos neaktyviomis. Toks tobulinimas kaip tik ir paaiškina, kodėl šiuolaikinės gamyklės vis dažniau nusisuka į robotiką. Vietoj atskirų darbų, atliekamų vienas po kito, šiuolaikinė gamyba vis labiau primena tarpusavyje susijusias sistemas, kuriose viskas veikia automatiškai, kone kaip gyvas organizmas.

Dirbtinio intelekto ir numatomojo remonto įrangoje naudojimas

Įrangoje naudojamo dirbtinio intelekto technologijų panaudojimas įrenginių naudingumo ir veiklos efektyvumui didinti

Šiandienos įrenginių apdorojimo sistemos naudoja dirbtinį intelektą, kad mašinos veiktų ilgiau ir kartu užtikrintų maksimalią gamybą. Mašininio mokymosi technologijos esminėmis braižais analizuoja senus našumo duomenis ir tai, ką šiuo metu rodo jutikliai, nustatydamos tendencijas, kurios rodo dalių nusidėvėjimą laikui bėgant. Paimkime, pavyzdžiui, vibracijos analizę. Kai dirbtinis intelektas aptinka nestandartinius modelius, kaip vibruoja guoliai CNC mašinose, jis gali įspėti apie galimas problemas mėnesiais anksčiau nei įvyktų faktinis gedimas. Matėme, kad įmonės šias problemas aptinka nuo 3 iki 6 savaičių iki numatytos priežiūros datos. Tikrai nuostabu, kad šios protingos sistemos taip pat dinamiškai koreguoja parametrus. Jos gali sureguliuoti sukimo momento nustatymus arba pakeisti sūkių per minutę rodiklius pakankamai, kad išlaikytų gamybos lygį, neperkraunant mašinų. Daugelis gamyklų vadovų mano, kad šis balansas tarp gamybos palaikymo ir gedimų vengimo yra vertas investicijų į dirbtinio intelekto technologijas.

Mašininio mokymosi modeliai prognozuojančioms priežiūros perspėjimams

Įrangos procesoriai naudoja tris pagrindinius dirbtinio intelekto modelių tipus:

• Regresijos modeliai prognozuojantys laiką iki gedimo ribų
• Neuroniniai tinklai nustatantys gedimų tarp sistemų priklausomybes
• Anomalijų aptikimo algoritmai įspėjantys apie subtilius operacinius nukrypimus

2023 m. lyginamojo tyrimo duomenys parodė, kad šie modeliai sumažina klaidingus įspėjimus 62 % lyginant su tradicinėmis taisyklių pagrįstomis sistemomis. Pakraštinė skaičiavimo technologija leidžia realiu laiku apdoroti virpesių, terminių ir energijos suvartojimo duomenis tiesiogiai gamybos patalpose, sumažinant sprendimų vėlavimą iki 50 ms.

Prognozuojanti analizė: sumažinanti įrangos prastovas iki 40 %

Gamintojai, naudojantys šias sistemas, nurodo 35–40 % mažiau nenuspėtų sustojimų dėl:

1. Proaktyvus priežiūros planavimas pritaikant remontus prie mažesnio paklausos laikotarpio
2. Atsarginių dalių atsargų optimizavimas naudojant gedimų tikimybės prognozes
3. Energijos vartojimo efektyvumo koregavimas ilginant variklių eksploatacijos laiką

Organizacijos, kurios derina prognozuojamąją analizę su IIoT jutikliais, pasiekia 19 % aukštesnį visų įrenginių našumo (OEE) rodiklių lygį lyginant su reaktyvios priežiūros metodais.

Priežiūros darbuose balansuojant AI naudojimą ir žmogaus priežiūrą

Šiuolaikinės dirbtinio intelekto (DI) sistemos apdoroja įvairių įrenginių duomenis, tačiau patyrę inžinieriai vis tiek turi peržiūrėti svarbius įspėjimus ir suprasti, ką sistema iš tikrųjų bando pasakyti. Pagal 2024 m. atliktą apklausą, kurioje buvo analizuojamos įvairios pramonės įmonės, darbo grupės, kurios išlaikė galimybę naudoti rankinį valdymą, sugebėjo išspręsti apie 28 procentus problemų, kai DI susipainiojo dėl tokių dalykų kaip drėgmės poveikio pneumatinėms sistemoms. Tai rodo, kad čia susipina senosios mokyklos žinios ir naujos technologijos, kurios dirba šalia viena kitos. Vietoje to, kad leistume mašinoms visiškai paimti valdžią į savo rankas, įmonės ieško būdų, kaip technologijos galėtų palaikyti darbuotojus, o ne išstumti juos iš įrenginių problemų diagnostikos proceso.

Įrenginių apdorojimo darbo procesų duomenimis grįsta optimizacija

Išplėstinė būklės stebėsena integruojant dirbtinį intelektą ir pramoninį interneto dalykų

Šiandienos apdorojimo sistemos derina dirbtinį intelektą su pramoninėmis IoT jutiklių sistemomis, kad galėtų stebėti mašinų būklę realiu laiku. Šios išmanios sistemos analizuoja daugiau nei penkiolika skirtingų veiksnių vienu metu, įskaitant mašinų vibravimą ir jų šilumos signalus, todėl gali aptikti nubrozdintus guolius maždaug trisdešimt penkiais procentais anksčiau nei tradicinės patikros spėja tai pastebėti. Įmonės, kurios įvedė tokį prognozuojamąją priežiūros metodą, praneša sumažinusios netikėtas sustojimus beveik dvidešimt procentų. Be to, jos sutaupo apie devyniasdešimt du dolerius vienam tone priežiūros išlaidų lyginant su senesniais metodais. Skaičiai kalba patys už save, ir tai daugeliui gamyklų vadovų pradeda rimtai rūpėti.

Prognozuojamųjų duomenų analizės panaudojimas praktikoje

Dėka sukio variancijos analizės technikų, kasdien galima pastebėti potencialias problemas su traižytuvų komponentais maždaug prieš tris dienas, kol jie iš tikrųjų sugenda. Ši ankstynojo įspėjimo sistema kas mėnesį leidžia įmonėms sutaupyti maždaug 740 tūkstančių dolerių nuostolių dėl prastovų. Tuo tarpu gamybos įrenginiuose, protingos termovizijos sistemos padeda tiksliau sureguliuoti krosnių temperatūrą per metalo apdirbimo operacijas. Šios dirbtinio intelekto įgalintos priemonės sumažina energijos švaistymą maždaug 22 procentais, vis dar išlaikant produkto kokybę. Norintiems modernizuoti įrangą sunkiosios pramonės sektoriuje, taip pat pasirodė kai kurios įspūdingos naujienos. Kai seni presai ir CNC staklės jungiamos per atnaujinimo IoT rinkinius, įmonių vadovai pastebi, kad sprendimai priimami beveik du kartus greičiau nei prieš atnaujinimą. Greičio padidėjimas daro didelę įtaką kasdienėms operacijoms plieno kasyklose, liejyklose ir kitose pramonės aplinkose.

Ateities tendencijos: technologijų susiliejimas įrenginių apdorojime naujos kartos

AI, IIoT ir robotikos susiliejimas į išmaniuosius įrenginių sistemas

Šiandienos gamybos įrenginiai vis labiau pasikliauja protingų technologijų kombinacijomis, tokiose kaip dirbtinis intelektas, tie populiarūs IIoT jutikliai, apie kuriuos tiek daug girdime, ir pažengusi robotika, kad būtų sukurtos protingesnės gamyklės. Visa sistema veikia peržiūrint realaus laiko duomenis iš gamybos aikštelės per šiuos kraštinius skaičiavimo įrenginius, kurie leidžia mašinoms automatiškai prisitaikyti, kai ką nors reikia pakeisti gamybos linijoje. Paimkime, pavyzdžiui, metalo apdirbimo dirbtuves. Kai kurios įmonės įdiegė AI vaizdo sistemas, kurios robotams tiksliai nurodo, kur reikia išdėstyti dalis lenkimo operacijoms, pasiekiant tikslumą iki 0,03 milimetro. Tuo tarpu IIoT tinklo įrenginiai padeda valdyti elektros suvartojimą visuose gamybos objektuose. Įmonės, kurios įgyvendino tokį integruotą požiūrį, pastebėjo, kad jų atliekų kiekis sumažėjo apie 18 procentų, o gamybos našumas padidėjo apie 22 procentais lyginant su tradicinėmis automatizuotos sistemomis, veikiančiomis atskirai viena nuo kitos.

Autonomiškų, savarankiškai optimizuojančių pramonės mašinų kilimas

Šiuolaikiniai įrenginiai vis dažniau integruoja uždarųjų mokymosi sistemų, kurios leidžia mašinoms prisitaikyti pagal jų darbo rezultatus. Paimkime, pavyzdžiui, autonominus CNC frezavimo staklius. Jie gali kompensuoti įrankių nublizgimą stebėdami vibracijas ir matuodami pjūvio jėgas realiu laiku. Pramonė tikisi, kad tokia savaiminė optimizacija mažins netikėtus mašinų sustojimus apie 40% dideliuose pramonės įrenginiuose. Tačiau čia yra viena bėda. Tokių sistemų diegimas reiškia visiškai pakeisti požiūrį į įprastą techninės priežiūros darbą. Remiantis naujausiais tyrimais, beveik 6 iš 10 gamintojų teigia, kad jų komandos reikia naujo mokymo, kad tinkamai galėtų valdyti visas šias išmanąsias mašinas.

Spręsdami skirtumą: aukštosios technologijos prieš darbo jėgos pasiruošimą

Apie 83 procentai gamybos įmonių planuoja iki 2025 metų diegti dirbtinio intelekto valdomas apdorojimo sistemas, tačiau tik maždaug 34 procentai iš jų iš tikrųjų turi tinkamas mokymų programas savo techniniam personalui. Aišku, kad kažkas čia ne taip. Vis daugiau gamyklų pradeda suvokti, kad reikia geresnių būdų mokyti darbuotojus, todėl kai kurios pažangios operacijos kuria hibridinės realybės mokymų sistemas, kurios derina papildytos realybės vadovus su realių IoT įrenginių diagnostika. Pažangiausios įmonės šiuo metu naudoja skaitmeninių dvynių aplinkas, kuriose darbuotojai gali išspręsti problemas, susijusias su automatizuotomis presėmis ir suvirinimo robotais, dar prieš pradėdami naudoti tikrus gamyklų įrenginius. Toks požiūris padeda užpildyti skirtumą tarp to, kas ateityje laukia, ir to, ką darbuotojai žino šiandien.

DUK

Kokia yra IIoT vaidmuo įrenginių realaus laiko stebėjime?

IIoT leidžia realiu laiku stebėti įrangą, įterpiant protingus jutiklius į mašinas, kurie renka svarbią informaciją, pvz., virpesius ir šilumos lygmenis analizei, leidžiant numatyti priežiūrą ir sumažinti netikėtas pertraukas.

Kaip kraštinis skaičiavimas sustiprina pramoninius IoT įrenginius?

Kraštinis skaičiavimas sustiprina pramoninius IoT įrenginius, leisdamas duomenims būti apdorojami prie jų šaltinio, o ne siunčiami į tolimus debesų serverius. Tai reikšmingai sumažina duomenų keliavimo laiką, leidžiant greitesnį pramonės sprendimų priėmimą.

Kas yra robotų integravimo nauda sunkiosios įrangos apdorojime?

Robotų integravimas sunkiosios įrangos apdorojime padidina tikslumą ir sumažina surinkimo klaidas. Robotų sistemos, aprūpintos jutikliais ir kameromis, gali atlikti užduotis, tokias kaip kėlimas sunkių variklio blokų su dideliu tikslumu.

Kaip dirbtinis intelektas prisideda prie numatomojo priežiūros įrangos apdorojime?

Dirbtinis intelektas prisideda prie numatomojo techninio aptarnavimo, analizuodamas jutiklių duomenis siekiant nustatyti dėsningbes, kurios rodo nublukimą. Mašininio mokymosi algoritmai gali numatyti gedimus iš anksto, leisdami atlikti koregavimus, kurie pratęstų įrenginių naudojimo laiką ir maksimaliai padidintų jų veiklos laiką.

Kokie yra iššūkiai prisiimant aukštosios technologijos sistemas gamyboje?

Iššūkiai apima darbo jėgos pasiruošimą ir poreikį tinkamoms mokymų programoms. Daugelis įmonių neturi pakankamų programų personalui mokyti, o tai yra svarbu efektyviai valdyti ir naudoti pažengusias sistemas, tokias kaip dirbtinio intelekto valdomos mašinos.