Tích hợp AI và IoT trong hệ thống loại bỏ bavia cao su

By Mike ChenGiám đốc sản xuất | Hơn 12 năm kinh nghiệm trong ngành sản xuất cao su |LinkedIn

Những điểm chính cần ghi nhớ

• Một thùng chứa XCJ-G600 duy nhất có thể xử lý mẻ 15 kg mỗi 20–40 giây — hơn 1.300 chu kỳ giàu dữ liệu mỗi ca làm việc 8 giờ đã có sẵn để thu thập thông tin IoT.
• Các thiết bị khử bavia bằng phương pháp đông lạnh hoạt động ở nhiệt độ xuống đến −150 °C với tốc độ quay của con lăn từ 20–70 vòng/phút, và việc ghi lại cả hai biến số này trực tiếp cho thấy lượng nitơ bị lãng phí và sự thay đổi lớp cách điện.
• Nhờ khả năng kết nối giúp phát hiện sớm sự sai lệch trong quy trình, bảo trì dự đoán thường chuyển đổi các sự cố ngừng hoạt động ngoài kế hoạch thành các can thiệp theo lịch trình với thời gian dưới 30 phút (các giá trị điển hình từ các dự án khách hàng của chúng tôi).
• Việc nâng cấp thường tốt hơn là thay thế: các thiết bị sử dụng biến tần như XCJ-G600 7,5 kW thường có thể được kết nối với các cảm biến và cổng biên thay vì phải mua thiết bị mới.

Hầu hết các nhà sản xuất mà chúng tôi hợp tác đều đã sở hữu thiết bị loại bỏ bavia thông minh ở cấp độ máy móc và hoàn toàn im lặng ở cấp độ nhà máy. Bộ điều khiển biết tốc độ con lăn; người vận hành biết trọng lượng lô hàng; đội ngũ kiểm soát chất lượng biết tỷ lệ sản phẩm lỗi — nhưng không ai kết nối ba yếu tố này lại với nhau. Sự thiếu kết nối đó chính là điều mà các dự án AI và IoT được thiết kế để khắc phục.

Bài viết này giải thích ý nghĩa thực sự của việc tích hợp trong bối cảnh khử nhiễu, những điểm dữ liệu nào đáng được kết nối trước tiên và lộ trình theo từng giai đoạn phù hợp với các nhà máy cao su quy mô nhỏ và vừa hơn là các nhà máy thông minh siêu quy mô.

Trí tuệ nhân tạo (AI) và Internet vạn vật (IoT) thực sự có ý nghĩa gì trong bối cảnh xử lý sự cố nhấp nháy màn hình?

Internet vạn vật (IoT) là việc kết nối các thiết bị công nghiệp với mạng lưới để thu thập, lưu trữ và xem xét dữ liệu hoạt động của chúng; trí tuệ nhân tạo (AI) là lớp phần mềm tìm ra các mẫu trong dữ liệu đó và đưa ra khuyến nghị hoặc thực hiện các quyết định.Trong quy trình gỡ lỗi flash, hai yếu tố này hoạt động song song: IoT cung cấp tín hiệu thô, và AI biến tín hiệu đó thành hành động — làm chậm con lăn, phát hiện dây đai bị mòn hoặc cách ly lô hàng đáng ngờ trước khi xuất xưởng.

Sẽ hữu ích hơn nếu coi máy loại bỏ bavia trước hết là nguồn dữ liệu và sau đó mới là công cụ loại bỏ bavia. Mỗi chu kỳ loại bỏ bavia cơ học và mỗi lần chạy ở nhiệt độ cực thấp dưới −120 °C đều tạo ra dấu vân tay có thể truy vết về tốc độ, thời gian, nhiệt độ và tải trọng. Khi những dấu vân tay đó được lưu trữ, những câu hỏi trước đây cần kỹ sư quy trình đứng cạnh thùng máy suốt cả ca làm việc — “thời gian chu kỳ bắt đầu tăng lên khi nào?” — giờ đây chỉ cần mười giây để trả lời trên bảng điều khiển.

Nên kết nối những điểm dữ liệu khử nhiễu nào trước tiên?

Hãy bắt đầu với bốn biến số đã quyết định chất lượng loại bỏ bavia: thời gian chu kỳ, tốc độ trục lăn, nhiệt độ xử lý và tải trọng mẻ.Chúng tồn tại trên mọi máy móc, chúng thay đổi khi có sự cố xảy ra và chúng tác động trực tiếp đến kết quả sản phẩm. Bảng dưới đây ghép mỗi biến số với các giá trị thực tế của thiết bị và mức độ tối ưu hóa mà nó mang lại.

Giá trị thiết bị được lấy từ nguồn sau:Trang sản phẩm XCJ-G600vàThông số kỹ thuật máy khử bavia bằng nitơ lỏng đông lạnh.

Vì hiện tượng giòn do đông lạnh là cuộc đua giữa nhiệt độ và thời gian, nên các đường cong làm lạnh được ghi lại là bộ dữ liệu có giá trị nhất trên dây chuyền đông lạnh.Một chu kỳ thử nghiệm đạt đến độ giòn mục tiêu trong 5 phút thay vì 8 phút đã tiết kiệm được 37% thời gian – một sự tiết kiệm không thể nhìn thấy trên đồng hồ bấm giờ nhưng lại rất rõ ràng trong dữ liệu.

Bảo trì dự đoán thay đổi hiệu quả kinh tế của việc loại bỏ bavia như thế nào?

Bảo trì dự đoán sử dụng dữ liệu xu hướng — thời gian chu kỳ tăng, biến động dòng điện động cơ, sự bất ổn nhiệt độ — để lên lịch bảo dưỡng trước khi một bộ phận bị hỏng, thay vì sau đó.Sự khác biệt về kinh tế rất rõ rệt: một động cơ truyền động bị hỏng giữa ca làm việc sẽ làm dừng dây chuyền, đảo lộn lịch trình và có thể làm mất toàn bộ lô hàng đang sản xuất, trong khi việc thay thế theo kế hoạch được xác định trước hai tuần diễn ra giữa các ca làm việc.

Theo kinh nghiệm của chúng tôi trong việc hỗ trợ các dây chuyền khử bavia tại các nhà máy của khách hàng, hệ thống giám sát kết nối thường phát hiện từ ba đến năm sự sai lệch quy trình cần can thiệp mỗi quý trên một máy duy nhất — phổ biến nhất là sự kéo dài dần thời gian chu kỳ và làm mát bằng phương pháp đông lạnh không nhất quán — và mỗi sự cố đều có thể khắc phục được trong khoảng thời gian đã lên kế hoạch dưới 30 phút (các giá trị điển hình từ các dự án khách hàng của chúng tôi; con số chính xác có thể thay đổi tùy thuộc vào hỗn hợp hợp chất và mô hình ca làm việc).Vì bộ biến tần 7,5 kW trên một máy như XCJ-G600 đã hiển thị tải động cơ dưới dạng kỹ thuật số, nên chi phí ban đầu để có được khả năng giám sát ở mức độ này chỉ là một thiết bị trung gian và cấu hình, chứ không phải phần cứng mới.

Ngoài ra còn có khía cạnh tuân thủ. Các nhà máy được chứng nhận theoISO 9001Họ được yêu cầu chứng minh sự cải tiến liên tục; nhật ký dữ liệu về các thông số máy móc theo từng lô sản phẩm là một trong những bằng chứng xác thực nhất mà kiểm toán viên sẽ chấp nhận.

Thị giác máy tính đóng vai trò như thế nào trong quy trình kiểm soát chất lượng?

Thị giác máy tính hoàn thiện chu trình mà dữ liệu cảm biến đơn thuần không thể xử lý: camera kiểm tra các bộ phận đã được loại bỏ bavia, và lớp trí tuệ nhân tạo (AI) truy vết từng bộ phận bị loại bỏ trở lại chu trình, tốc độ và nhiệt độ chính xác đã tạo ra nó.Điều này biến việc kiểm soát chất lượng từ một hoạt động chỉ mang tính chất quan sát sau sự việc thành một hoạt động chủ động trong việc điều khiển quá trình sản xuất.

Quy trình thực tế diễn ra như sau: các chi tiết rời khỏi thùng loại bỏ bavia, đi qua bộ phận kiểm tra hình ảnh để phát hiện bavia còn sót lại, và các chi tiết đã được làm sạch sẽ tiếp tục đến bước tiếp theo.máy tách cao suHệ thống này phân loại sản phẩm tốt khỏi phế phẩm. Khi hệ thống thị giác ghi nhận một cụm sản phẩm bị loại bỏ, trí tuệ nhân tạo (AI) sẽ so sánh dấu thời gian với dữ liệu thùng chứa và trả lời câu hỏi quan trọng: đó có phải là do hợp chất kém chất lượng, tốc độ trục lăn không chính xác, hay là một lô hàng vượt quá tiêu chuẩn 2 kg?

Các dây chuyền làm lạnh thu được lợi ích lớn nhất từ ​​sự kết hợp này. Quá trình khử bavia bằng phương pháp làm lạnh đạt tỷ lệ thành phẩm trên 98% khi các thông số ổn định, vì vậy ngay cả một sai lệch nhỏ được ghi nhận — đường cong làm lạnh cao hơn 10 °C so với mức cơ bản — cũng đáng được phát hiện trước khi nó làm giảm ba điểm năng suất.

Một lộ trình hội nhập thực tế sẽ trông như thế nào?

Phương pháp khả thi đối với hầu hết các nhà máy cao su là ba giai đoạn: kết nối, phân tích, sau đó tối ưu hóa — theo thứ tự đó, áp dụng cho từng máy trước khi áp dụng cho toàn bộ dây chuyền.Việc cố gắng tự động hóa các quyết định trước khi có dữ liệu là lỗi thường gặp nhất trong các dự án Công nghiệp 4.0.

1. Kết nối một máy và xác định điểm chuẩn.Hãy cài đặt một thiết bị cổng biên (edge ​​gateway) trên một bộ xử lý flash duy nhất — loại mới nhất, được trang bị công nghệ biến tần mạnh nhất — và ghi lại thời gian chu kỳ, tốc độ, nhiệt độ và tải trong 60 ngày mà không thay đổi bất cứ điều gì, để trạng thái “bình thường” được đo lường chứ không phải được giả định.
2. Phân tích dựa trên các kết quả chất lượng.Kết hợp dữ liệu máy móc với hồ sơ lỗi từ quá trình kiểm tra, và để lớp trí tuệ nhân tạo (hoặc một bảng tính tốt) tìm kiếm mối tương quan giữa sự thay đổi thông số và các sự kiện chất lượng.
3. Tối ưu hóa bằng cảnh báo vòng kín.Thiết lập ngưỡng cảnh báo từ mức cơ bản, chuyển tiếp chúng đến điện thoại của người vận hành hoặc bảng điều khiển của nhà máy, và chỉ sau đó mới xem xét việc tự động điều chỉnh thông số — bước đòi hỏi nhiều quản trị nhất và ít cấp bách nhất.

Những hạn chế thực tế là gì?

Trí tuệ nhân tạo (AI) và Internet vạn vật (IoT) sẽ không tự khắc phục được quy trình không ổn định, thùng chứa bị mòn hoặc khuôn mẫu không đạt tiêu chuẩn — chúng chỉ đơn thuần báo cáo những vấn đề đó nhanh hơn và chính xác hơn.Việc tích hợp giúp tăng cường khả năng kiểm soát quy trình tốt; chứ không thể thay thế cho nó.

Hai lưu ý nữa từ kinh nghiệm dự án của chúng tôi. Thứ nhất, các lô sản xuất nhỏ tạo ra dữ liệu thưa thớt: một mô hình AI được huấn luyện trên 300 chu kỳ của một kích thước vòng đệm O-ring sẽ không thể áp dụng một cách trơn tru cho một nhóm 40 chi tiết sản xuất số lượng nhỏ, vì vậy cần phải đặt kỳ vọng cho từng loại sản phẩm. Thứ hai, khả năng kết nối có một bề mặt bảo mật — cần có hướng dẫn như các nguồn tài liệu về an ninh mạng trong sản xuất do [tên đơn vị] công bố.NISTNên đọc kỹ trước khi cổng thanh toán được đưa vào hoạt động.Vì theo thiết kế, một tế bào dùng để gỡ bỏ firmware hiếm khi được kết nối trực tiếp với internet, nên việc phân vùng mạng nhà máy đúng cách sẽ giúp giảm thiểu rủi ro phát sinh, nhưng "giảm thiểu" không có nghĩa là "bằng không" và cần được tính vào ngân sách.

Kết luận: Hãy kết nối những dữ liệu bạn đã có.

Quá trình loại bỏ bavia cao su đặc biệt phù hợp với việc tích hợp AI và IoT, vì một lý do đơn giản: các máy móc này đã hoạt động dựa trên các biến số được kiểm soát chính xác và có thể định lượng được. Một mẻ 15 kg, một chu kỳ 20–40 giây, nhiệt độ tối đa −150 °C, phạm vi tốc độ quay của con lăn 20–70 RPM — đây là những điểm dữ liệu đang chờ được thu thập, và mỗi điểm đều chứa thông tin về chất lượng.

Nếu bạn đang lên kế hoạch đầu tư thiết bị tiếp theo, hãy chọn những máy móc có bộ điều khiển hiển thị dữ liệu một cách rõ ràng. Khám phá thêm...Dòng máy loại bỏ bavia cao su hoàn chỉnhTừ Xiamen Xingchangjia, hoặc gửi cho chúng tôi bản vẽ chi tiết và kết quả mong muốn — đội ngũ kỹ sư của chúng tôi sẽ đề xuất cấu hình khử bavia với các tùy chọn kết nối phù hợp với mức độ tự động hóa của nhà máy bạn.