Οι πρέσες εξοπλισμένες με αισθητήρες παρακολουθούν διάφορους παράγοντες κατά τη λειτουργία τους, συμπεριλαμβανομένων των επιπέδων δύναμης, των δονήσεων και των αλλαγών θερμοκρασίας. Αυτές οι μετρήσεις μεταφέρονται απευθείας στα συστήματα PLC, τα οποία μπορούν να ρυθμίζουν σχεδόν αμέσως τόσο την ταχύτητα όσο και την πίεση που εφαρμόζει η πρέσα. Όταν προκύψει κάποιο πρόβλημα, ειδικό λογισμικό αναλύει όλες αυτές τις πληροφορίες για να εντοπίσει προβλήματα όπως φθαρμένα εργαλεία ή ανομοιογενή υλικά. Εάν εντοπιστεί ένα πρόβλημα εγκαίρως, το σύστημα ενεργοποιείται αυτόματα — σε ορισμένες περιπτώσεις ρυθμίζοντας τα μήτρες ή διακόπτοντας προσωρινά την παραγωγή για χρονικό διάστημα αρκετό ώστε να αποτραπούν μεγαλύτερα προβλήματα στο μέλλον. Αντί να περιμένουν μέχρι οι μηχανές να βλαβούν εντελώς, οι εργοστασιακές εγκαταστάσεις που χρησιμοποιούν αυτά τα έξυπνα συστήματα εντοπίζουν δυνητικά προβλήματα πολύ νωρίτερα, αποφεύγοντας έτσι ακριβά χρονικά διαστήματα αδρανοποίησης που μπορεί να διαρκέσουν ώρες.
Σύμφωνα με τα βιομηχανικά πρότυπα της SME, οι εργοστασιακές εγκαταστάσεις που εγκαθιστούν αισθητήρες στις γραμμές κοπής τους καταγράφουν 35% έως 42% λιγότερες απρόβλεπτες διακοπές λειτουργίας. Για μία τυπική γραμμή παραγωγής που λειτουργεί 20 ώρες καθημερινά, αυτό μεταφράζεται σε περίπου 300 επιπλέον ώρες εργασίας κάθε χρόνο. Τα οικονομικά οφέλη είναι εξίσου εντυπωσιακά. Οι εργοστασιακές εγκαταστάσεις έχουν αναφέρει ετήσια εξοικονόμηση από 200.000 δολάρια ΗΠΑ έως 500.000 δολάρια ΗΠΑ, απλώς με την αποφυγή αποβλήτων υλικών, τη μείωση των επειγόντων επισκευών και τη μείωση των δαπανηρών βάρδιων υπερωριών. Όταν λαμβάνονται υπόψη οι συνεχείς βελτιώσεις στη ροή παραγωγής σε συνδυασμό με τις χαμηλότερες δαπάνες συντήρησης, οι περισσότερες εταιρείες διαπιστώνουν ότι η επένδυσή τους αποδίδει εντός περίπου έξι έως εννέα μηνών μετά την εγκατάσταση.
Το Βιομηχανικό Διαδίκτυο των Αντικειμένων (IIoT) συνδέει όλων των ειδών τον εξοπλισμό, συμπεριλαμβανομένων των πρεσών, των τροφοδοτών και των συστημάτων μήτρας, χωρίς κανένα πραγματικό πρόβλημα. Αυτοί οι ενσωματωμένοι αισθητήρες αποστέλλουν συνεχώς δεδομένα σχετικά με πράγματα όπως οι ταλαντώσεις, τα επίπεδα θερμότητας και η μηχανική τάση. Οι μετατροπείς πίεσης μπορούν να εντοπίσουν μικρές ασυμφωνίες στις προοδευτικές μήτρες πολύ πριν από την πλήρη καταστροφή οποιουδήποτε εξαρτήματος. Παράλληλα, οι αισθητήρες των τροφοδοτών προβλέπουν πραγματικά πότε τα εξαρτήματα θα αρχίσουν να φθείρονται, βάσει των προτύπων χρήσης. Όταν αυτές οι διαφορετικές μετρήσεις από τους αισθητήρες συγκεντρώνονται, καλύπτουν εκείνα τα ενοχλητικά κενά όπου τα προβλήματα θα παρέμεναν αδιαπέραστα. Το σύνολο του συστήματος τροφοδοτεί κεντρικές κονσόλες ελέγχου που εμφανίζουν πώς λειτουργούν όλα τα στοιχεία εναρμονισμένα σε διάφορα σημεία της γραμμής παραγωγής. Σύμφωνα με πρόσφατες ερευνητικές μελέτες στον τομέα, το προσωπικό παραγωγής ανιχνεύει δυνητικά προβλήματα περίπου 40% γρηγορότερα από πριν.
Οι καλές στρατηγικές επεξεργασίας δεδομένων έχουν μεγάλη σημασία κατά την εγκατάσταση βιομηχανικών συστημάτων IoT. Η υπολογιστική επεξεργασία στο άκρο (edge computing) αναλαμβάνει τις εργασίες που εξαρτώνται από το χρόνο, όπως η παρακολούθηση των δυνάμεων πίεσης με ακρίβεια χιλιοστών του δευτερολέπτου, ώστε οι εργοστασιακές εγκαταστάσεις να μπορούν να εφαρμόζουν γρήγορες διορθώσεις κατά τη διάρκεια ταχύτατων παραγωγικών κύκλων. Από την άλλη πλευρά, οι πλατφόρμες στο σύννεφο (cloud platforms) αναλαμβάνουν την ανάλυση μεγάλης κλίμακας σε τεράστιες ποσότητες παραγωγικών δεδομένων, εντοπίζοντας μοτίβα που ενδέχεται να χρειαστούν μήνες ή ακόμη και χρόνια για να εμφανιστούν, όπως οι βλάβες εξοπλισμού που εμφανίζονται κατά συγκεκριμένες περιόδους του έτους. Ωστόσο, η ανάλυση στο σύννεφο έχει και τα όριά της: η καθυστέρηση μεταξύ της αποστολής των δεδομένων και της λήψης των αποτελεσμάτων κυμαίνεται περίπου από 150 έως 500 χιλιοστά του δευτερολέπτου, κάτι που δεν είναι αρκετά γρήγορο για άμεση ενέργεια. Γι’ αυτόν τον λόγο, οι περισσότερες έξυπνες βιομηχανικές εγκαταστάσεις σήμερα χρησιμοποιούν συνδυασμό και των δύο προσεγγίσεων. Τα συστήματα στο άκρο (edge devices) αναλαμβάνουν τις επείγουσες εργασίες, όπως η πρόβλεψη της χρονικής στιγμής που θα απαιτηθεί συντήρηση των μηχανημάτων, ενώ τα συστήματα στο σύννεφο εργάζονται για τον εντοπισμό των πραγματικών αιτιών των προβλημάτων και τη βελτίωση των μοντέλων τους με την πάροδο του χρόνου.
Οι αυτοματοποιημένες γραμμές μεταλλικής σφράγισης επιτυγχάνουν ανέκδοτη αξιοπιστία μέσω τεχνητής νοημοσύνης που προβλέπει βλάβες πριν από την εμφάνισή τους.
Οι αλγόριθμοι ενισχυτικής μάθησης εξετάζουν δεδομένα πραγματικού χρόνου από την παραγωγή και εκτελούν προσομοιώσεις σε χιλιάδες διαφορετικές λειτουργίες, εντοπίζοντας κρυφά προβλήματα όπως η παγίδευση υλικών στο σύστημα ή η σταδιακή φθορά εργαλείων. Αυτά τα έξυπνα συστήματα μπορούν στη συνέχεια να προσαρμόζουν αυτόματα διάφορες παραμέτρους — για παράδειγμα, την ταχύτητα λειτουργίας των πρεσών, τη σειρά εκτέλεσης των εργασιών και τον χρόνο κατά τον οποίο τα συστήματα τροφοδοσίας απελευθερώνουν τα εξαρτήματα. Όλα αυτά πραγματοποιούνται ενώ το εργοστάσιο λειτουργεί με πλήρη ταχύτητα. Το αποτέλεσμα; Η παραγωγή παραμένει σταθερή ακόμη και σε περίπτωση αιφνίδιας αύξησης των παραγγελιών ή όταν οι μηχανές αρχίζουν να εμφανίζουν σημάδια γήρανσης. Σύμφωνα με πρόσφατες βιομηχανικές δοκιμές που πραγματοποιήθηκαν σε πολλές εγκαταστάσεις, οι κατασκευαστές αναφέρουν περίπου 20% λιγότερες απρόβλεπτες διακοπές μετά την εφαρμογή τέτοιων λύσεων.
Τα συστήματα όρασης υπολογιστή ελέγχουν σήμερα επισημασμένα εξαρτήματα με ρυθμούς πάνω από 1.200 το λεπτό σε πολλά εργοστάσια παραγωγής. Αυτά τα έξυπνα συστήματα εντοπίζουν όλων των ειδών τα ελαττώματα στις επιφάνειες των εξαρτημάτων, όπως ρωγμές, ακμές και ανώμαλες διαστάσεις, με ακρίβεια περίπου 99,4% και το κάνουν αυτό ακριβώς εκεί, στη γραμμή παραγωγής, χωρίς να διακόπτουν καθόλου τη διαδικασία. Οι χειροκίνητοι έλεγχοι απαιτούσαν συχνά διακοπές της γραμμής για δειγματοληψία, ενώ αυτές οι νέες μέθοδοι ενδογραμμικής επαλήθευσης διατηρούν την παραγωγή ομαλή χωρίς καμία διακοπή για ελέγχους ποιότητας. Πραγματικά δεδομένα από την πράξη δείχνουν ότι τα εργοστάσια που εφαρμόζουν αυτήν την τεχνολογία αναφέρουν μείωση του χρόνου ανενεργίας λόγω ελέγχων κατά περίπου δύο τρίτα σε σύγκριση με τις παραδοσιακές μεθόδους. Επιπλέον, αυτά τα αυτοματοποιημένα συστήματα εντοπίζουν περίπου 40% περισσότερα ελαττώματα από όσα συνήθως ανιχνεύουν οι άνθρωποι κατά τους έλεγχούς τους.
Η επίτευξη βιώσιμης διαθεσιμότητας (uptime) απαιτεί μια σταδιακή προσέγγιση. Ξεκινήστε πρώτα με μικρή κλίμακα, εφοδιάζοντας με αισθητήρες τις πρεσσώνες σε εκείνες τις πραγματικά κρίσιμες γραμμές παραγωγής. Αυτό μας επιτρέπει να δοκιμάσουμε την αποτελεσματικότητα της πραγματικού χρόνου ανίχνευσης βλαβών και να κατανοήσουμε καλά το τι αποτελεί «κανονική» διακοπή λειτουργίας. Μόλις παρατηρήσουμε μείωση των απρόσμενων στάσεων κατά τουλάχιστον 35% (ποσοστό που αντιστοιχεί στις προσδοκίες των ειδικών του κλάδου), είναι ώρα να προχωρήσουμε στη διεύρυνση. Το επόμενο βήμα είναι η ενσωμάτωση αυτών των ελεγχόμενων κλειστού βρόχου συστημάτων PLC σε όλους τους τροφοδότες και τα συστήματα μήτρας (die), ώστε το σύνολο να ανταποκρίνεται αποτελεσματικότερα ως ενιαίο σύστημα. Στη συνέχεια, ακολουθεί η δημιουργία της υποδομής IIoT ειδικά σχεδιασμένης για εφαρμογές όπου η χρονική ακρίβεια είναι καθοριστικής σημασίας. Τέλος, πραγματοποιείται η εφαρμογή διαδικασιών προγραμματισμού με υποστήριξη τεχνητής νοημοσύνης (AI) σε ολόκληρο το εργοστάσιο, προκειμένου να εκμεταλλευτούμε πλήρως κάθε δυνατότητα παραγωγής κατά τις περιόδους υψηλότερης ζήτησης. Αυτή η σταδιακή εφαρμογή προστατεύει από σημαντικούς οικονομικούς κινδύνους, ενώ ταυτόχρονα δημιουργεί σταδιακά βελτιώσεις στην αποδοτικότητα. Σε πλήρη κλίμακα, αυτή η προσέγγιση θα μειώσει το κόστος ανά μονάδα κατά περισσότερο από 40% και θα διατηρήσει το ποσοστό ελαττωμάτων κάτω του 0,1%, χάρη στους ενσωματωμένους οπτικούς ελέγχους (inline vision checks) που λειτουργούν ήδη.
Η αυτοματοποιημένη μεταλλική εμπρέσια περιλαμβάνει τη χρήση μηχανημάτων εξοπλισμένων με αισθητήρες και τεχνητή νοημοσύνη για την αποτελεσματική επεξεργασία μετάλλου μέσω διαμόρφωσης ή κοπής, με την εφαρμογή πίεσης μέσω μήτρας.
Η IIoT βελτιώνει τη μεταλλική εμπρέσια συνδέοντας τον εξοπλισμό και τους αισθητήρες, προκειμένου να παρέχονται δεδομένα σε πραγματικό χρόνο σχετικά με τη γραμμή παραγωγής, επιτρέποντας προληπτική συντήρηση και βελτιωμένη ορατότητα της διαθεσιμότητας.
Η αυτοματοποιημένη μεταλλική εμπρέσια μειώνει την απρόβλεπτη διακοπή λειτουργίας έως και κατά 42 %, εξοικονομώντας περίπου 200.000 έως 500.000 δολάρια ΗΠΑ ετησίως μέσω αυξημένης απόδοσης, μείωσης των αποβλήτων και ελαχιστοποίησης των επειγουσών επισκευών.
EN
