В области автоматизации упаковки потребительских товаров автоматические картонные машины, как важное оборудование в конце производственной линии, в настоящее время сталкиваются с двумя важными противоречиями: с одной стороны, из -за быстрых изменений в рыночном спросе, заказы становятся все более и более разбросанными, а типы спецификаций продукта, которые необходимо упаковывать, также резко увеличиваются. Например, фармацевтическая компания изначально имела только 5 типов упаковочных коробок, но теперь ей необходимо иметь дело с 32 различными спецификациями, что приводит к увеличению более чем пяти раз в рабочей нагрузке с переоборудованием и корректировкой оборудования; С другой стороны, эффективность работы оборудования не соответствует ожиданиям, а общая эффективность традиционных моделей, как правило, составляет всего от 65% до 75%, из которых неожиданное время простоя может составлять около 20% от общего рабочего времени, что оказывает непосредственное влияние на производственные затраты. Согласно статистике пищевых компаний, каждый час времени простоя оборудования приведет к потере около 10, 000 Юань, а каждые увеличение показателя дефекта продукта на 1 процентное точка снизит годовую прибыль почти на 10%.
В ответ на эти болевые точки необходимо оптимизация оборудования для достижения систематического улучшения в трех ключевых показателях: во -первых, эффективная частота использования оборудования должна быть увеличена до более чем 95%, а непланированное время простоя должно контролироваться в течение 5%; Во -вторых, гладкость работы должна устранить потери скорости, такие как холостые конвейерные ленты или бесполезная работа роботизированных оружия; Наконец, уровень соответствия продукции должен быть уменьшен с исходных 3%-5%до менее чем 0. 5%. Вся структура улучшения можно понимать как закрытый цикл из трех ссылок: установление механизма предварительного обслуживания для снижения вероятности отказа, а затем регулирование параметров в режиме реального времени для соответствия текущим условиям труда и, наконец, объединение рабочих работ, чтобы сократить время отклика чрезвычайных ситуаций. Короче говоря, необходимо предотвратить проблемы, динамически адаптироваться и сотрудничать между людьми и машинами.
2. Улучшение механической структуры: улучшение стабильности работы и скорости
Из фактического сценария применения существуют очевидные потери в системе передачи многих устройств во время работы. Например, существует зазор между передачами, поэтому диапазон ошибок, сгенерированный в процессе передачи, составляет около {{0}}. 2 до 0,5 мм. Другим примером является проблема проскальзывания ремней, которая часто вызывает колебания скорости более 5%. С точки зрения модульной конструкции, каждое изменение традиционной механической структуры требует от 6 до 8 часов отладки. Такое длительное время подготовки приведет к тому, что мощность оборудования не будет полностью использована.
При выборе планов улучшения обновление материала является более прямым прорывом. Например, после того, как ежедневная химическая фабрика заменила материал вала передачи на алюминиевый сплав, вес был уменьшен примерно на 4 0% по сравнению с оригиналом, а скорость отклика была увеличена на четверть. Теперь есть также компании, пытающиеся использовать композитные материалы из углеродного волокна для суставов робота, и точность захвата может контролироваться в диапазоне ± 0. 1 мм. С точки зрения настройки динамической нагрузки, решение сервопривода с упругим связью является относительно типичным. Проще говоря, условие нагрузки контролируется в любое время через датчик крутящего момента, а выходная мощность динамически регулируется, так что ударная сила может быть уменьшена на 6 0%. После фабрики, которая производит электронные продукты, используемые магнитные подшипники, значение вибрации оборудования на высокой скорости было снижено с 0,8 мм в секунду до 0,2 мм в секунду.
Для ситуаций, когда требуются частые изменения модели, стандартизированная конструкция интерфейса является осуществимой идеей. Благодаря пневматическим разъемам быстрого подключения и предварительно подключенными электрическими модулями время изменения модели может быть сжато до менее чем двух часов. Теперь некоторые компании сначала построят виртуальную модель на компьютере для отладки параметров, а затем напрямую импортируйте параметры конфигурации в реальную машину для использования. Существует случай с фармацевтической компанией, которую можно использовать в качестве ссылки. Они заменили традиционную коробку передач методом прямого двигателя сервопривода, исключив промежуточную передачу. В результате скорость загрузки коробки увеличилась с 120 ящиков в минуту до 156 ящиков, а количество сбоев коробки передач уменьшалось с 18 раз в год до 3 раза.
3. Оптимизация процесса загрузки коробки: сокращение блокировки материала и сбой джема коробки
При анализе конкретных проблем было обнаружено, что более распространенная ситуация заключается в том, что в конструкции пути передачи материала существуют дефекты. Например, если радиус поворота упаковочной коробки слишком мал (например, менее чем в 3 раза превышает длину материала), вероятность заклинивания значительно увеличится. Еще одна вещь, на которую стоит обратить внимание, это контроль угла процесса складывания. Когда отклонение превышает около 2 градусов, оно в основном приведет к проблеме свободного герметизации.
В этих ситуациях может быть принята идея сегментированной обработки: во -первых, в области конвейерной ленты установлена буферная структура. Например, сегментированная конструкция конвейерной ленты, принятая закусочной закусочной, каждая секция конвейеры оснащена независимым моторным приводом. Это решение может снизить вероятность накопления материала до менее чем 2%. Второе - это улучшение канала качественной инспекции, например, использование камеры для обнаружения с помощью пневматического устройства. Когда обнаруживается, что бумажная коробка деформируется, он сразу же выдувается с точностью более 99%.
С точки зрения корректировки параметров, необходимо обратить внимание на координацию между оборудованием, таким как решение о координации скорости, то есть скорость передачи автоматически регулируется через систему управления ПЛК, чтобы убедиться, что разница во времени между разворачиванием бумажной коробки и нажатием материала не превышает 0. 1 секунды. Существует также автоматическая коррекционная функция для угла складывания, которая регулируется в реальном времени в соответствии с данными датчика давления, так что квалифицированная скорость может быть увеличена с примерно 90% до почти 99%.
В фактическом применении молочная фабрика обнаружила, что после оптимизации дуги пути передачи и установки системы инспекции качества, которая контролирует экран, сбои для карты были снижены более чем на 80%, а эффективность производства была увеличена примерно на один погиб.
4. Регулировка точности параметров: от управляемого на испытание к управлению данными
Во -первых, нам нужно выяснить, какие параметры являются особенно важными. Например, параметр конвейерной ленты. Экспериментальные данные показывают, что когда скорость колеблется более чем на 5%, вероятность отклонений материала будет утроиться. Другим примером является сила робота, чтобы захватить вещи. Если ошибка прочности превышает 10%, она не сможет захватить упаковку или, наоборот, она может нажать на поверхность продукта.
С точки зрения методов отладки, более эффективные из них можно разделить на две категории. Первая категория заключается в использовании метода экспериментального проектирования, такого как использование L9, трехуровневого четырехфакторного ортогонального таблицы, для изготовления перестановки и комбинаций, а также распоряжение различными шестернями параметров, таких как скорость конвейерного ремня и прочность рычага робота. Электронная фабрика обнаружила оптимальную комбинацию параметров с помощью этого метода, такую как наилучший эффект, когда конвейерная лента регулируется до 1,2 м\/с, а прочность рычага робота контролируется в 15 ньютонах. Преимущество этого метода заключается в том, что он может сжать цикл отладки, который первоначально требовал месяца до недели.
Второй тип метода управления в реальном времени в основном зависит от датчиков и алгоритмов. Например, установив датчик давления на механический когти и объединив его с алгоритмом управления PID, фармацевтическая компания уменьшила колебание силы от исходной 3 Newton Error до 0. 5 Newton. Другим примером является использование визуальной системы в качестве руководства и сочетание технологии распознавания изображений для динамического исправления отклонения. В реальных тестах было обнаружено, что точность позиционирования может достигать плюс или минус 0. 3 мм.
Теперь многие компании начали использовать платформы виртуальных моделирования для оказания помощи в отладке. Проще говоря, он должен построить виртуальную фабрику на компьютере и наблюдать за изменениями в эффективности производства путем изменения параметров. Производственная компания использовала этот метод для сокращения времени отладки на 60%, а соответствующие затраты на проверку также были сокращены почти на половину. Что особенно интересно, так это то, что эта цифровая модель также может имитировать некоторые экстремальные комбинации параметров, которые не осмеливаются быть небрежно в реальности, предоставляя инженерам больше возможностей.
V. Профилактическое обслуживание: от пассивного обслуживания в активное управление здоровьем
1. Традиционные болевые точки поддержания
· Чрезмерное обслуживание встречается: например, на некоторых фабриках нужно регулярно проводить техническое обслуживание каждый месяц, в результате чего примерно 30% подшипников заменяются до истечения срока службы их срока службы. Это может привести к более чем 500, 000 Юань в отходах каждый год;
· Внезапные сбои, вызванные пропущенными проверками: согласно статистике, около 60% сбоев оборудования фактически вызваны ранним износом, который не был обнаружен во времени. Это как врач, не видя ранним признакам поражений на рентген, и когда пациент проявляет симптомы, лучшее время для лечения часто пропускалось.
2. Обновление системы обслуживания
· С точки зрения технологии мониторинга состояния: датчики вибрации в настоящее время в основном используются в сочетании с технологией анализа спектра (то есть анализа БПК). Например, ежедневная химическая компания использовала этот метод, чтобы обнаружить аномальные характеристики износа коробки передач за две недели; Существуют также такие методы, как инфракрасная тепловая визуализация. Когда двигатель перегружен, он обычно сопровождается аномальным повышением температуры градусов 8-12, и система автоматически запускает аварийную сигнализацию.
· Об обслуживании на основе условий (CBM): многие компании в настоящее время создают модели индекса здоровья оборудования, которые могут интегрировать более десяти параметров, таких как данные вибрации, изменения температуры, колебания тока и т. Д., И динамически рассчитывать, какое оборудование требует приоритетного обслуживания. В то же время он также будет связан с системой инвентаризации запасных частей. Например, в соответствии с результатами прогноза, ключевые части могут быть подготовлены за три дня, так что эффективность оборота запасов запасных частей увеличивается примерно на 40%.
Расширение прав и возможностей персонала: от операторов до партнеров по повышению эффективности
1. Анализ текущего состояния кадровых возможностей
· Недостаток навыков: в настоящее время операторы в основном остаются на базовом уровне работы, такого как начало и остановки оборудования, например, они не имеют глубокого понимания рабочей логики, стоящей за параметрами;
· Механизм ответа: при столкновении с ненормальными ситуациями им часто нужно ждать, пока инженеры обеспечат удаленную поддержку. В частности, для решения проблемы требуется в среднем более 40 минут.
План обучения
Обучение навыкам:
· Система обучения моделирования VR: позволяя операторам неоднократно практиковать обращение с различными сценариями отказа оборудования в виртуальной среде, например, работники на линии автомобильной сборки были обучены таким образом, и скорость идентификации джемов конвейерных лент увеличилась в 3 раза;
· Визуализация процесса работы: после преобразования экспериментальных данных в инструкции по эксплуатации со значками случай применения химической установки показывает, что точность операторов, регулирующих параметры реактора, увеличилась с более чем 60% до более чем 90%.
Уровень механизма стимулирования:
· Награда по улучшению производительности: например, электронная фабрика создала ежемесячный бонусный пул, и команда будет вознаграждена 5, 000 Юань за каждое повышение эффективности производственной линии;
· Совместный рабочий режим: Когда операторы изнашиваются в очках AR, чтобы дистанционно сотрудничать с инженерами, время для решения последней ошибки перегрева двигателя было сокращено с двух часов до 25 минут.
Заключение: создание закрытой петли оптимизации эффективности полной связи
В целом, формирование полной закрытой петли повышения эффективности требует многомерного сотрудничества. Например, с точки зрения модификации оборудования, модификация подшипников конвейерных лент может снизить вероятность того, что оборудование запускает на 20-30% (примерно на 20% -40% снижение частоты отказов). Оптимизация процесса в основном относится к мониторингу скорости сборочной линии и динамической корректировки рабочих параметров, которые могут сэкономить около 15% до четверти отходов материала. С точки зрения обучения персонала, типичным примером является организация опыта обмена сеансами для старых мастеров, чтобы возглавлять новичков. Благодаря такому типу обучения, операционная эффективность обычно может быть улучшена более чем на 10 процентных пунктов. Три ключевых момента могут быть рассмотрены для последующих направлений разработки: сначала установите сетевые модули на оборудование для достижения интеллектуального управления. Например, упаковочный аппарат автоматически регулирует параметры температуры на основе данных последних трех месяцев. Второе - развернуть краевые вычислительные ящики рядом с оборудованием. Это решение может диагностировать и исправить 90% разломов локально, а скорость отклика на несколько порядков на величину быстрее, чем облачная обработка. Что еще более важно, это заключается в создании системы самоотраскивания, позволяя машинам оптимизировать рабочие параметры посредством непрерывного обучения, точно так же, как люди накапливают опыт и постепенно достигать автономного принятия решений и развиваться в направлении интеллектуальной производственной модели «самостоятельных проблем, самооплатывающих условий и самоопространенных планов».