اطلاعات صنعتی

فناوری دیجیتال در لبه برش

فناوری‌های دیجیتال مانند هوش مصنوعی، داده‌های بزرگ و یادگیری ماشینی اهمیت فزاینده‌ای برای صنعت تولید دارند. Sandvik در چندین پروژه کلید دیجیتال با IBM شریک شده است.

فعالیت ها بر تولید سنتی تأثیر می گذارد؟

در Sandvik، کار برای گنجاندن Industry 4.0 در فرآیندهای تولید آن آغاز شده است. برند ساندویک Dormer Pramet، تولیدکننده ابزارهای برش جهانی، با آی‌بی‌ام، یکی از شرکت‌های پیشرو در تجزیه و تحلیل داده‌ها، روی چندین پروژه کلیدی کار می‌کند.

رادیم بولاوا، صنعت می‌گوید: «اینها شامل استفاده از مقادیر زیادی داده برای ترسیم زنجیره ارزش در تمام بخش‌های واحد تولیدی ما در Sumperk، در جمهوری چک، و ترکیب نرم‌افزار رایانه‌ای برای شناسایی عیوب در ابزارها در مراحل اولیه ساخت است.» مدیر مهندسی در Dormer Pramet.

در پروژه اول، الگوریتم های پیشرفته و روش های آماری برای ردیابی، طی دو سال گذشته، هر سفارش محصول قابل نمایه سازی، تعیین نحوه حرکت کالا در واحد تولید و ایجاد مدل شبکه ای از کل کارخانه استفاده شد.

ماشین های تعاملی

این مدل نحوه تعامل ماشین‌ها با یکدیگر را توضیح می‌دهد و نشان می‌دهد که چگونه هر گونه اختلال در فرآیند، مانند زمان‌بندی برنامه‌ریزی نشده ماشین، می‌تواند در کل سیستم پخش شود. رادیم بولاوا می‌گوید: «نقاط مهمی را در فرآیند شناسایی کرد که در آن مسائل کوچک می‌توانند بعداً باعث ناکارآمدی‌های بزرگ شوند. «همه بر اساس شدت رتبه‌بندی شدند تا به تمرکز بر روی جایی که برای بهینه‌سازی عملکرد و دستیابی به بیشترین تأثیر به بهبود نیاز است، کمک کنند.»

در فاز دوم پروژه، آن‌ها به تعریف معیارهایی پرداختند که مسائلی مانند کیفیت، زمان توقف تعمیر و نگهداری و مطابقت با برنامه تولید را تعیین می‌کند. این معیارها مجدداً برای شناسایی مناطق بیشتر تغییر عملیاتی و پیشنهاد بهبودهای خاص مورد تجزیه و تحلیل قرار گرفتند.

درج های اسکن

در همین حال، Dormer Pramet از یک ایستگاه بازرسی IBM استفاده می کند، که در یک ماشین پرس پیاده سازی شده است، تا با استفاده از یک سری دوربین، چراغ ها و عناصر مکانیکی متحرک، درج ها را اسکن کند. این در مرحله اول فرآیند تولید است و می تواند به بهبود کیفیت محصولات آن در همان ابتدای فرآیند تولید کمک کند.

بولاوا افزود: "تشخیص خودکار تصویر ماشین برای تعیین و شناسایی نوع و شدت نقص انجام می شود." "این تشخیص از شبکه های عصبی مصنوعی استفاده می کند - یک مدل کامپیوتری که عملکرد را در طول زمان بهبود می بخشد. بنابراین، موفقیت آن به دقت تشخیص بستگی دارد.»

این دقت تحت تأثیر تعداد تصاویر نقصی است که به سیستم وارد می شود و تنوع آنها. افزودن هر چه بیشتر مثال ها و تا آنجا که ممکن است اطلاعات به طور مستمر به آموزش ماشین کمک می کند که در یک محصول مشخص چه چیزی درست است و چه چیزی اشتباه است. این نه تنها دقت تشخیص را افزایش می دهد، بلکه به شناسایی عیوب کمتر آشکار و همچنین کاهش هشدارهای اشتباه و شناسایی ویژگی های مشکل کمک می کند.

بولاوا می‌گوید: «هدف تمام این عناصر و پروژه‌های دیجیتالی ارتقای استانداردهای بالای توانایی‌های تولیدی ما است که مبتنی بر یک قرن دانش و تخصص است. ما از آنها برای بهبود بیشتر فرآیندهای تولید، افزایش کیفیت ابزارهای برش، کاهش ضایعات و پیشبرد خدمات ارائه شده به مشتریان استفاده خواهیم کرد."