天富平台公司 - 天富平台APP下载|天富平台代理【官网登录】

【天富娱乐网页版】金属制造中实现工业4.0的6个步骤 速度收藏

多年来,诸如工业物联网、机器学习、人工智能和工业4.0之类的流行语已在业界和大众媒体中争夺。显然,它们是未来。那么未来会是什么样?自动化将变成自主的,自学的和纠正的,而人类则可以处理异常(过程问题和返工),然后将信息反馈到系统中,从而学习,变得更好,并使异常更加罕见。

《【天富娱乐网页版】金属制造中实现工业4.0的6个步骤 速度收藏》

好的,那么金属制造中的情况如何?先进晶圆厂将如何为实现这个自治的未来而努力?博世力士乐公司自动化和电气化应用工程经理Karl Rapp有一个很好的解释方法。他的解释通过六个步骤,每个步骤都建立在其他步骤之上。这些最底层的步骤越强大,最后的步骤就越有效,甚至更具革命性。

考虑具有激光切割自动化缩影的钣金制造商,具有存储和检索塔的综合柔性制造系统(FMS)和机器人自动卸载自动化。看来,朝着工业4.0和完全自动化制造的方向发展势头良好,对吗?

正如Rapp所解释的,答案取决于迈向工业4.0的第一步所建立的基础是否牢固。这些步骤越弱,制造商的努力就越可能失败。那么第一步涉及什么呢?有趣的是,它不关注传感器,机械甚至自动化。相反,它是关于人的。

步骤1:精益制造

至少从高级分析的角度来看,流程和程序不一致或不合逻辑的商店会有效地产生垃圾数据。当然,某些数据可能成为问题的焦点,并可能向所有人证明现状不够好。但是在这一点上,从简单的观察中获得的数据,加上健康的常识,可能就足够了。激光切割机操作员不断走遍整个工厂以获取工具是不好的,而且没有人需要复杂的分析来证明这一点。

“这就是为什么建立精益生产和质量规则是第一步的原因,”拉普说。“您需要清理工作场所,并确保有精益生产规则。”

这从5S开始,但也包括端到端过程检查。制造商无需支付机器正常运行时间的费用;他们为所运送的产品付款。因此,这些产品从原材料流到运输码头的速度越快越好。批次数量过多可能会使机器的整体设备效率(OEE)正常运行时间统计数据高昂,这要归功于更少的机器设置,但这些大批次可能需要一段时间才能运到运输部门。

制造商的精益程序,要经过严格的检查和抛光,才能权衡材料的产量,机器的设置时间,在制品(WIP)缓冲器等。商店价值流利用看板平方来限制在制品,并且每个人都对流量保持不懈的关注。

Rapp补充说,精益流程和程序应扩展到上游,包括原材料处理,材料检查甚至供应商关系。未能检查材料或将材料正确加载到自动存储和检索系统中的人是一件坏事,但是同样,没有人需要数据分析来发现事实。会发生操作员错误,但每个错误的背后都是未正确执行的过程,不充分的文档和沟通不畅的过程,或这三者的结合。不断完善这些程序可以为其他所有方面奠定基础。

Rapp说:“当一家工厂不遵循精益生产的规则而开始收集和分析过程数据时,最终会出现一个非常宽的钟形曲线,这基本上是不确定的。” “这可能会分散注意力,甚至无用,并且无助于解决这些基本问题。”

《【天富娱乐网页版】金属制造中实现工业4.0的6个步骤 速度收藏》

步骤2:连通性和数字化

第2步及以后的步骤深入研究过程监视的详细信息以及通往自主操作的道路。一些操作已经到达步骤2,也许到达了3、4和5的几个元素,但是最后一步代表了对未来的愿景。

还知道以下内容描述了一个具有激光切割FMS的假想制造者;当然,哪种感应策略将起作用或不起作用的细节取决于机器设计和特定操作的性质。

如今,许多晶圆厂执行正常运行时间跟踪,当机器意外停机时,传感器会发出报告。但是正如Rapp所解释的那样,这只是OEE功能的表面。能够自动感应应该打开的机器何时关闭是很棒的,但这只是第一步。自动化机器具有用于OEE测量的多个点,这些点将较大的过程分为单独的组件。对于激光FMS,这可能包括材料的装卸以及激光切割头行为的各个方面。

Rapp补充说,这些测量值是什么,在哪里进行测量以及如何发生取决于具体的机器设计和所涉及的过程。无论如何,他的观点是,OEE数据(可以构成工业4.0背后理想的基础)需要“从头开始构建”。对于机器或系统中的每个过程,您都需要一种清晰的方法来测量OEE。”

另一个变量是数据频率,或者传感器(或人类)以有用格式记录和传送数据的频率。每个工厂以不同的时间间隔收集一系列数据。“考虑一下您可能会收到的有关工人安全的数据,”拉普说。“数据是在轮班完成之后得出的,或者您可能会在第二天早晨看到前一天的数据。那是低频数据。”

在每个循环完成之后,测量机器循环时间的传感器可能每隔几分钟记录一次数据点。拉普说:“这些将是中频数据。”

高频数据(可能涉及激光功率,辅助气压或系统运行的各个方面)可能每隔几毫秒出现一次。这些数据频率需要与其他过程变量进行协调,以便数据分析可以将苹果与苹果进行比较。

为了使数据变得有用,制造商需要上下文。拉普说,一台激光切割机可能收集了许多数据点,“但是所有这些数据都没有任何意义,除非您可以将其与实际切割相关联。” “机器上正在制造什么零件?什么信息来自制造执行系统(MES)?日期和时间戳是什么?”

将传感器收集的每个数据点视为冻结帧。您不仅拥有传感器正在收集的所有复杂的机器性能,而且还拥有机器正在执行的工作,即正在执行的工作。

步骤2还涉及连通性。同样,客户购买产品或零件,而不是购买机器正常运行时间,因此,一台机器或系统,甚至是一台与现代激光切割FMS一样大的机器或系统,都只是难题之一。制造商有多种方法可以使用通用协议(如OPC)连接不同的系统。Rapp解释说:“重要的是要知道在这里进行时间戳以及如何记录每个数据点。” 时间戳记是否出现在机器控制器或PC上,还是在单独的数据库中完成?时间差会很小,并且这些时间差变得非常重要,因为这与确切的故障发生时间以及原因有关。

激光切割行业4.0

考虑具有激光切割自动化缩影的钣金制造商,具有存储和检索塔的综合柔性制造系统(FMS)和机器人自动卸载自动化。

他补充说,录制不一定需要在控制器上实时进行。理想的频率实际上取决于传感器正在检测的内容。“无论如何,那些正在分析数据的人都需要知道其时间戳记,因此每个人都在同一页面上。”

Rapp称数据频率为“旅程”,通常不频繁地开始。他说:“您不是从收集高频数据开始的。”他补充说,所有这些数据点可能会用不需要的信息(至少现在还不是)来充实您的工作。“典型的操作从低频数据开始,然后逐渐发展为越来越高的数据收集频率。”

如何无损清洁螺丝?技巧来了

螺丝,【天富主管待遇怎样?】【天富娱乐苹果版】

步骤2越健壮,则上限越有效。如果测量结果有误或不足,则后续的所有其他操作都会变得困难,甚至徒劳。Rapp补充说,网络技术的进步将使数据收集变得更加强大,从而扩展了以后的工作范围。这包括网络基础结构。当今的有线和无线网络,例如LAN和WLAN,“在实现所需的数字数据覆盖范围方面常常受到限制。但是实时的,预定的以太网和无线5G将消除未来工厂中的这些障碍。”

步骤3:资讯

数据本身不能刺激变更或改进,但是可以在对数据进行分析,放入上下文并转换为可操作的信息之后进行改进。

“到此,您已经有了数据,” Rapp说。“现在您应用OEE原则。您会看到一台机器的总潜在输出。机器生产出好零件,坏零件和一些未知零件(无论好坏)。目标是消除未知,增加优点,并减少坏处。”

现在,分析可以将好零件和坏零件信息与其他过程信息相关联。首先,其中一些来自手动搜索,例如原材料位置,气压或其他可能直接来自机器,软件或至少是机器操作员的元素。

“机器操作员具有知识,”拉普说。“他们观察了过程,并且可能已经编写了程序员应该了解的有关特定切削行为或零件制表符或其他嵌套策略的过程注释。”

将此信息添加到带时间戳的相关信息中(切割条件,气体流量,水分的存在(来自辅助气体,潮湿的环境等)和其他过程参数),您就可以开始建立数据库。“最终,该数据库将具有每个制造过程和所生产零件的数字记录,” Rapp说。

步骤4:知识

拉普说:“一旦我们将信息联系起来,并利用它得出结论和补救措施,那就是知识。” “然后,可以在数据库或其他系统中记录此知识,人们可以在其中检索并使用补救措施解决类似问题。”

此信息也不能是秘密。“如果整个公司中只有两个人访问和使用信息来解决问题,那么这种情况将永远无法解决。” 每个人(至少是尽可能多的人)都需要能够利用该知识(无论是在MES还是其他系统中),并且必须足够熟悉以分析数据以解决问题或改善流程。

就像在步骤3中,随着时间的推移,信息收集变得越来越自动化一样,在步骤4中获得的知识从手动过程开始,然后通过机器学习变得更加自动化。最终,自动化操作开始具有自主性。

这是边缘和云计算步入正轨的地方。制造过程中的大多数问题都是时间敏感的,因此每个数据点的时间戳都很重要。Rapp说,这就是为什么边缘和云计算的互补性如此重要的原因。过于简单的边缘计算使用了云服务器神经网络的功能,但使用的是本地计算机或控制系统。

考虑一下从摄像机检查FMS中出现的切割零件时,摄像机提供的视频,在这里(仅举一个假设的例子)机器人会拾取切割零件并将其放置在传送带上。“在这种情况下,将实时视频流传输到云中非常困难,” Rapp说,“因此,我使用运行直接连接到摄像机的视觉检测机器学习模型的边缘计算设备。”

技术人员和操作员可以与机器或视觉分析系统一起使用,以教授操作的关键变量,例如,良好的零件边缘与不良的零件边缘是什么,以及哪个零件可接受的公差范围是什么。每个零件都可以有激光蚀刻的QR码,这将使系统将质量观察值(边缘条件)与可用的作业操作信息相关联,包括有关每个上游过程的完整详细信息,例如来自其的原始物料。

系统拥有的知识越多,通过机器学习进行进一步自动化的潜力就越大。理想的情况是使机器的“数字”知识基础变得更加广泛,整合如此多的数据和信息,以使通过机器学习实现的分析可以确定人们不会考虑的解决方案。

步骤5:预后

Rapp说,一旦您获得了机器学习,“然后您就可以看到行进路线的曲线。” “您可以预测轨迹。” 条件是否会变得更糟?如果是,情况何时会变得如此糟糕以至于零件开始超出公差范围?好的预后会告诉您。

与步骤4一样,起初可以手动进行预测,技术人员可以分析当前数据并使用软件进行插值以预测未来的性能。但是随着机器学习随着越来越多的实时数据记录和分析而发展,系统本身可以做出这些预测,并可以在问题发生之前采取纠正措施,或者在设置了一定限制后关闭(或以其他方式改变航向)(例如特定材料或零件批次的边缘质量公差)。

步骤6:完全自治

拉普说,这一步骤的愿景可能是完全成熟的工业4.0实施的制造工厂的外观。人们对带有“连接”机器的智能制造工厂的普遍看法是,制造设备的图像沿其整个价值流进行通信,信息从激光切割到折弯再到硬件插入和最终组装。

但这不是Rapp描述的方式。“想象一下我有一个制造工厂,一台机器与另一台机器之间唯一的连接就是工件本身。” Rapp澄清说:“使用实时以太网进行计划的,可靠的信息交换,所有机器都连接到中央MES。未来的MES将使用机器学习方法和数字数据进行智能,实时的价值流决策。” 尽管如此,这些机器并不需要直接相互交谈-只是MES,这是未来晶圆厂的“大脑”。

Rapp认为,完全自主的工厂将变得更加灵活,而不仅限于严格的流程特定部门或价值流布局。在相连的工厂中,所有必需的材料和工件将遵循最佳利用整个操作的可用能力的路径。当AGV将材料,工具和零件切割到需要处理能力的位置时,作业路线可能会发生动态变化。

想象一下,一堆被激光切割的工件正被载在AGV上并到达自动折弯机,经过扫描后,该折弯机通过神经网络(工厂“大脑”)打开了与MES的连接。大脑从MES揭示产品和客户信息,但也从上游机器处理零件时共享的上游机器显示数据,以及检测位于AGV上实际零件的视觉系统的信息。知道了所有这些,大脑会指示折弯机采取最佳的动作。

也许切割操作的过程变量稍微超出了正常水平,或者可能是工件被嵌套而不是靠在金属板上。可能是由于从骨骼上切下后释放出的应力而导致的切块不是完全平坦。所连接的机器会调整弯曲过程以适应需要,从弯曲顺序和机器人的夹具选择到机器人用于定向和形成工件的路径进行调整。在自治世界中,机器会自行配置。

他们通过利用机器学习和自动化分析来实现这一目标,这些知识基于Rapp所谓的“连续数字足迹”而建立,因为工件在每个制造步骤中都经过。最终,这就是工厂变得聪明的方式。

【天富娱乐平台总代】【天富最高待遇多少?】

高速加工中心可在短时间内生产2吨的高端多腔工具

加工,模具,制造

点赞