Persen die zijn uitgerust met sensoren houden tijdens bedrijf verschillende factoren in de gaten, zoals krachtniveaus, trillingen en temperatuurveranderingen. Deze meetwaarden worden direct doorgestuurd naar PLC-systemen, die bijna onmiddellijk zowel de snelheid als de opgelegde druk van de pers kunnen aanpassen. Wanneer er iets misgaat, scant speciale software al deze informatie om problemen te detecteren, zoals versleten gereedschappen of ongelijkmatige materialen. Als een probleem vroeg genoeg wordt opgemerkt, treedt het systeem automatisch in werking – soms door stempels aan te passen of de productie kort te onderbreken om grotere problemen op termijn te voorkomen. In plaats van te wachten tot machines volledig uitvallen, detecteren fabrieken die gebruikmaken van deze slimme systemen potentiële problemen veel eerder, waardoor duur onderhoudsstilstand van meerdere uren wordt voorkomen.
Volgens branchebenchmarks van SME zien fabrieken die sensoren op hun stanslijnen installeren 35% tot 42% minder onverwachte stilstanden. Voor een standaardproductielijn die elke dag 20 uur draait, vertaalt dit zich in ongeveer 300 extra werktijden per jaar. De financiële voordelen zijn even indrukwekkend: bedrijven rapporteren jaarlijkse besparingen van $200.000 tot wel een half miljoen dollar, puur door verspilde materialen te voorkomen, noodreparaties te verminderen en kostbare overwerkshifts te reduceren. Bij het bekijken van continue verbeteringen in de productiestroom in combinatie met lagere onderhoudskosten blijkt de investering voor de meeste bedrijven binnen zes tot negen maanden na installatie terugverdiend te zijn.
Het Industriële Internet der Dingen (IIoT) verbindt allerlei apparatuur, waaronder persen, voeders en matrijzensystemen, zonder noemenswaardige onderbrekingen. Deze ingebedde sensoren verzenden continu gegevens over onder andere trillingen, temperatuurniveaus en mechanische spanning. Druktransducers kunnen al zeer vroeg kleine uitlijningsfouten in progressieve matrijzen detecteren, lang voordat er sprake is van een volledige storing. Tegelijkertijd voorspellen voedersensoren wanneer onderdelen gaan slijten op basis van gebruikspatronen. Wanneer deze verschillende sensorgegevens samenkomen, worden die vervelende gaten opgevuld waar problemen anders onopgemerkt zouden blijven. Het gehele systeem voedt gecentraliseerde dashboards die tonen hoe alle componenten samenwerken over verschillende delen van de productielijn. Volgens recente veldstudies nemen productiemedewerkers potentiële problemen ongeveer 40 procent sneller waar dan voorheen.
Goede strategieën voor gegevensverwerking zijn van groot belang bij de implementatie van industriële IoT-systemen. Edge computing verzorgt die tijdgevoelige taken, zoals het volgen van perskrachten tot op milliseconden nauwkeurig, zodat fabrieken tijdens snelle productielopen snel correcties kunnen aanbrengen. Aan de andere kant verwerken cloudplatforms grootschalige analyses op basis van enorme hoeveelheden productiegegevens, waarbij ze patronen ontdekken die pas na maanden of jaren zichtbaar worden, zoals apparatuurstoringen die op bepaalde tijdstippen van het jaar optreden. Cloudanalyse heeft echter wel beperkingen. De vertraging tussen het verzenden van gegevens en het ontvangen van resultaten varieert van ongeveer 150 tot 500 milliseconden, wat te traag is voor onmiddellijke actie. Daarom gebruiken de meeste slimme fabrieken tegenwoordig een combinatie van beide benaderingen. Edge-apparaten verzorgen de urgente taken, zoals het voorspellen wanneer machines onderhoud nodig hebben, terwijl de cloudsystemen zich richten op het achterhalen van de werkelijke oorzaken van problemen en het geleidelijk verbeteren van hun modellen.
Geautomatiseerde metaalstempellijnen bereiken ongekende betrouwbaarheid door kunstmatige intelligentie die storingen voorspelt voordat ze optreden.
Versterkingsleeralgoritmes analyseren realtime productiegegevens en voeren simulaties uit over duizenden verschillende bewerkingen, waardoor verborgen problemen worden opgespoord, zoals wanneer materialen vastlopen in het systeem of gereedschappen geleidelijk slijten. Deze intelligente systemen kunnen vervolgens zelfstandig aanpassingen doorvoeren — bijvoorbeeld door de snelheid van persmachines te wijzigen, de volgorde waarin opdrachten worden uitgevoerd te veranderen en het tijdstip waarop toevoersystemen onderdelen vrijgeven aan te passen. Dit alles gebeurt terwijl de fabriek volledig operationeel blijft. Het resultaat? De productie blijft stabiel, zelfs bij een plotselinge piek in bestellingen of wanneer machines beginnen te verouderen. Volgens recente brancheonderzoeken, uitgevoerd op meerdere fabriekslocaties, rapporteren producenten ongeveer 20% minder onverwachte stilstanden na implementatie van dergelijke oplossingen.
Computervision-systemen controleren nu gestanste onderdelen met een snelheid van meer dan 1.200 per minuut in vele productiebedrijven. Deze intelligente systemen detecteren allerlei gebreken op componentoppervlakken, zoals scheuren, bobbels en afwijkende afmetingen, met een nauwkeurigheid van bijna 99,4% — en dat direct op de productielijn, zonder onderbreking van het proces. Handmatige controles vereisten eerder regelmatige lijnstoppen voor steekproeven, maar deze nieuwe inline-verificatiemethoden zorgen voor een vlotte voortgang zonder onderbrekingen voor kwaliteitscontroles. Praktijkgegevens tonen aan dat fabrieken die deze technologie implementeren, de inspectietijdverliezen met ongeveer twee derde verminderen ten opzichte van traditionele methoden. Bovendien detecteren deze geautomatiseerde systemen ongeveer 40% meer gebreken dan mensen tijdens hun handmatige inspecties doorgaans vinden.
Het opzetten van duurzame uptime vereist een stapsgewijze aanpak. Begin eerst klein met persen die zijn uitgerust met sensoren op die echt belangrijke productielijnen. Dit stelt ons in staat om te testen hoe goed onze real-time storingsdetectie werkt en een goed beeld te krijgen van wat normale stilstandtijd inhoudt. Zodra we ten minste een daling van 35% in onverwachte stilstanden zien (wat overeenkomt met wat branche-experts doorgaans verwachten), is het tijd om uit te breiden. De volgende stap bestaat uit de integratie van deze gesloten-lus PLC-besturingen in alle toevoersystemen en matrijssystemen, zodat alles beter als geheel reageert. Daarna volgt de opzet van de IIoT-infrastructuur specifiek ontworpen voor operationele omgevingen waar timing het meest telt. En tenslotte wordt AI-gestuurde planning uitgerold over de gehele fabriek om bij piekvraag elke mogelijke productiecapaciteit te benutten. Deze geleidelijke implementatie beschermt tegen grote financiële risico’s, terwijl efficiëntieverbeteringen langzaam worden opgebouwd. Op volledige schaal zou dit de stukkosten met meer dan 40% moeten verlagen en het defectpercentage onder de 0,1% moeten houden dankzij de inline visiecontroles die we actief laten lopen.
Geautomatiseerde metaalstempeling omvat het gebruik van machines die zijn uitgerust met sensoren en kunstmatige intelligentie om metaal efficiënt te bewerken via vormgeven of snijden door middel van druk met een stempel.
IIoT verbetert metaalstempelen door apparatuur en sensoren met elkaar te verbinden, waardoor realtime gegevens over de productielijn beschikbaar komen, wat voorspellend onderhoud en betere zichtbaarheid op de uptime mogelijk maakt.
Geautomatiseerde metaalstempeling vermindert ongeplande stilstand met tot wel 42%, wat jaarlijks ongeveer 200.000 tot 500.000 dollar bespaart dankzij verbeterde efficiëntie, minder afval en minder spoedreparaties.
EN
