Kuluttajatuotteiden pakkausautomaation alalla automaattiset laatikon koneet, jotka ovat tärkeitä laitteita tuotantolinjan lopussa, on tällä hetkellä kaksi tärkeää ristiriitaa: toisaalta markkinoiden kysynnän nopean muutoksen vuoksi tilaukset ovat yhä hajallaan, ja pakattavien tuotteiden tyyppiset tuotteet ovat voimakkaampia. Esimerkiksi lääkeyhtiöllä oli alun perin vain viisi tyyppiä pakkauslaatikkoja, mutta nyt on käsiteltävä 32 erilaista eritelmää, mikä johtaa yli viisi kertaa laitteiden vaihdon ja säädön työmäärään; Toisaalta laitteiden toiminnan tehokkuus ei ole odotusten mukainen, ja perinteisten mallien kokonaistehokkuus on yleensä vain 65–75%, josta odottamattomat seisokit voivat osua noin 20% työajoista, jolla on suora vaikutus tuotantokustannuksiin. Elintarvikeyritysten tilastojen mukaan jokainen tunnin seisokkeiden tunti aiheuttaa noin 10, 000 yuanin tappiota, ja jokainen 1 prosenttiyksikön lisäys tuotevaurioaste vähentää vuosittaisia voittoja lähes 10 prosentilla.
Vastauksena näihin kipupisteisiin laitteiden optimoinnin on saavutettava systemaattinen parannus kolmessa keskeisessä indikaattorissa: Ensinnäkin laitteiden tehokasta käyttöastetta on nostettava yli 95%: iin, ja suunnittelemattomia seisokkeja on valvottava 5%: n sisällä; Toiseksi, toiminnan sileyden on poistettava nopeushäviöt, kuten joutokäynnin kuljettimen vyöt tai hyödytön robottivarsien työ; Lopuksi, tuotteen vaatimustenmukaisuusaste on alennettava alkuperäisestä 3%-5%: sta alle 0. 5%. Koko parannuskehys voidaan ymmärtää kolmen linkin suljettuna silmukana: ennakkoluulon ylläpitomekanismin luominen vian todennäköisyyden vähentämiseksi, parametrien säätäminen reaaliajassa nykyisten työolojen vastaamiseksi ja lopulta henkilöstöoperaatioiden yhdistämiseksi hätätilanteiden vasteaikaan. Lyhyesti sanottuna on välttämätöntä estää ongelmia, sopeutua dynaamisesti ja tehdä yhteistyötä ihmisten ja koneiden välillä.
2. Mekaanisen rakenteen parantaminen: toiminnan vakauden ja nopeuden parantaminen
Todellisesta sovellusskenaariosta monien laitteiden siirtojärjestelmässä on ilmeisiä häviöitä toiminnan aikana. Esimerkiksi vaihteiden välillä on rako, joten lähetysprosessin aikana syntynyt virhealue on noin {{0}}. 2 - 0,5 mm. Toinen esimerkki on vyön liukumisen ongelma, joka aiheuttaa usein yli 5%: n nopeuden vaihtelua. Modulaarisen suunnittelun suhteen perinteisen mekaanisen rakenteen jokainen muutos vaatii 6–8 tuntia virheenkorjausta. Tällainen pitkä valmisteluaika johtaa laitteiden kapasiteettia ei käytetä kokonaan.
Parannussuunnitelmien valinnassa materiaalipäivitys on suorempi läpimurto. Esimerkiksi, kun päivittäinen kemiallinen tehdas korvasi siirto -akselin materiaalin alumiiniseoksella, paino laski noin 4 0% alkuperäiseen verrattuna ja vasteen nopeus kasvoi neljänneksellä. Nyt on myös yrityksiä, jotka yrittävät käyttää hiilikuitukomposiittimateriaaleja robottivarren nivelissä, ja tarttumistarkkuutta voidaan hallita ± 0. 1 mm. Dynaamisen kuorman säätämisen kannalta servomoottorin liuos joustavalla kytkentällä on suhteellisen tyypillinen. Yksinkertaisesti sanottuna, kuormitusolosuhteet tarkkaillaan milloin tahansa vääntömomentin anturin läpi, ja lähtötehoa säädetään dynaamisesti, jotta iskuvoimaa voidaan vähentää 6 0%. Tehtaan jälkeen, joka valmistaa elektronisia tuotteita, joita käytettiin magneettilaakereita, laitteen värähtelyarvo suurella nopeudella laski 0,8 mm sekunnissa 0,2 mm sekunnissa.
Tilanteissa, joissa vaaditaan usein mallimuutoksia, standardisoitu rajapinnan suunnittelu on toteutettavissa oleva idea. Pneumaattisten Quick-Connect-liittimien ja esiasetettujen sähkömoduulien avulla mallinvaihtoaika voidaan pakata alle kahteen tuntiin. Nyt jotkut yritykset rakentavat ensin virtuaalimallin tietokoneeseen virheenkorjausten virheenkorjaamiseksi ja tuovat sitten konfigurointiparametrit suoraan käytettävään koneeseen. On tapaus lääkeyhtiöstä, jota voidaan käyttää referenssinä. He korvasivat perinteisen vaihdelaatikon servomoottorin suora käyttömenetelmä, poistaen välivaihteisto -linkin. Seurauksena laatikon lastausnopeus nousi 120 laatikosta minuutissa 156 laatikkoon ja vaihdelaatikkojen epäonnistumisten lukumäärä laski 18 kertaa vuodessa 3 kertaa.
3. Laatikon lastausprosessin optimointi: Materiaalin tukkeutumisen ja laatikkojen hillitsemisen vähentäminen
Kun analysoitiin erityisiä ongelmia, havaittiin, että yleisempi tilanne on, että materiaalin lähetyspolun suunnittelussa on vikoja. Esimerkiksi, jos pakkauslaatikon kääntösäde on liian pieni (esimerkiksi alle 3 -kertainen materiaalin pituus), häirintämahdollisuus kasvaa merkittävästi. Toinen asia, johon kiinnitetään huomiota, on taittoprosessin kulman hallinta. Kun poikkeama ylittää noin 2 astetta, se johtaa periaatteessa löysän tiivistyksen ongelmaan.
Näissä tilanteissa segmentoidun prosessoinnin idea voidaan hyväksyä: Ensinnäkin kuljetinhihnan alueelle asennetaan puskurirakenne. Esimerkiksi välipalaehdossa hyväksymä segmentoitu kuljetinhihnan suunnittelu, jokainen kuljetinosasto on varustettu riippumattomalla moottorikäyttöllä. Tämä ratkaisu voi vähentää materiaalin kertymisen todennäköisyyttä alle 2%: iin. Toinen on laadun tarkastuslinkin parantaminen, kuten kameran käyttäminen pneumaattisen laitteen havaitsemiseksi. Kun paperikotelon havaitaan muodonmuutoksen, se puhalletaan heti yli 99%: n tarkkuudella.
Parametrien säätämisen kannalta on tarpeen kiinnittää huomiota laitteiden väliseen koordinaatioon, kuten nopeuden koordinointiratkaisuun, toisin sanoen voimansiirron nopeutta säädetään automaattisesti PLC -ohjausjärjestelmän kautta varmistaakseen, että paperikotelon aukeamisen ja materiaalin työntämisen välinen aikaero ei ylitä 0. 1 sekuntia. Pasekulmalle on myös automaattinen korjaustoiminto, jota säädetään reaaliajassa paineanturitietojen mukaan, jotta pätevä nopeus voidaan nostaa noin 90%: sta lähes 99%: iin.
Todellisessa sovelluksessa meijeritehdas havaitsi, että siirtopolun kaaren optimoinnin ja näytön tarkkailun laadun tarkastusjärjestelmän asentamisen jälkeen korttilaatikkovirheet vähenivät yli 80%ja tuotantotehokkuutta lisääntyivät noin yksi Fift
4. Parametrien tarkkuuden säätö: kokemusvetoisesta tietopohjaiseen
Ensinnäkin meidän on selvitettävä, mitkä parametrit ovat erityisen kriittisiä. Esimerkiksi kuljetinhihnan ajonopeuden parametri. Kokeelliset tiedot osoittavat, että kun nopeus vaihtelee yli 5%, materiaalin poikkeaman todennäköisyys kolminkertaistaa. Toinen esimerkki on robottivarren vahvuus tarttua asioihin. Jos lujuusvirhe ylittää 10%, se ei ehkä pysty tarttumaan pakkaukseen tai päinvastoin, se voi painaa merkkejä tuotteen pinnalle.
Virheenkorjausmenetelmien kannalta tehokkaampia voidaan jakaa kahteen luokkaan. Ensimmäinen luokka on käyttää kokeellista suunnittelumenetelmää, kuten L9: n, kolmitasoisen nelikerroisen ortogonaalisen taulukon, käyttäminen permutaatioiden ja yhdistelmien järjestämiseksi ja parametrien erilaisten vaihteiden, kuten kuljetinhihnan nopeuden ja robotin varren voimakkuuden, järjestämiseksi. Elektroniikkatehdas löysi optimaalisen parametriyhdistelmän tämän menetelmän kautta, kuten paras vaikutus, kun kuljetinhihna säädetään arvoon 1,2 m\/s ja robottivarren voimakkuutta ohjataan 15 Newtonilla. Tämän menetelmän etuna on, että se voi puristaa virheenkorjaussyklin, joka alun perin vaati kuukauden noin viikkoon.
Reaaliaikaisen ohjausmenetelmän toinen tyyppi riippuu pääasiassa antureista ja algoritmeista. Esimerkiksi asentamalla paine -anturi mekaaniseen kynsiin ja yhdistämällä se PID -ohjausalgoritmiin, lääkeyhtiö vähensi voimanvaihtelua alkuperäisestä 3 Newton -virheestä 0. 5 Newton. Toinen esimerkki on visuaalisen järjestelmän käyttäminen opas ja kuvantunnistustekniikan yhdistäminen poikkeaman dynaamisen korjaamiseksi. Varsinaisissa testeissä havaittiin, että paikannustarkkuus voi saavuttaa plus tai miinus 0. 3 mm.
Nyt monet yritykset ovat alkaneet käyttää virtuaalisia simulaatioalustoja virheenkorjauksen avuksi. Yksinkertaisesti sanottuna on rakentaa virtuaalinen tehdas tietokoneeseen ja tarkkailla muutoksia tuotannon tehokkuudessa muuttamalla parametreja. Valmistusyritys käytti tätä menetelmää virheenkorjausajan vähentämiseksi 60%, ja myös siihen liittyvät varmennuskustannukset leikattiin lähes puoleen. Erityisen mielenkiintoista on, että tämä digitaalinen malli voi myös simuloida joitain äärimmäisiä parametriyhdistelmiä, joita ei uskalla kokeilla rennosti todellisuudessa, mikä tarjoaa insinööreille enemmän mahdollisuuksia.
V. Ennaltaehkäisevä huolto: passiivisesta ylläpidosta aktiiviseen terveydenhuollon hallintaan
1. Perinteiset ylläpitokipupisteet
· Liiallinen ylläpito on yleistä: Esimerkiksi joidenkin tehtaiden on suoritettava säännöllinen ylläpito joka kuukausi, mikä johtaa noin 30% laakereista, jotka vaihdetaan ennen niiden elinkaaren päättymistä. Tämä voi aiheuttaa yli 500, 000 yuan jätettä vuosittain;
· Vastaamattomien tarkastusten aiheuttamat äkilliset viat: Tilastojen mukaan noin 60% laitteiden epäonnistumisista johtuu tosiasiallisesti varhaisesta kulumisesta, jota ei havaittu ajoissa. Tämä on kuin lääkäri, joka ei näe varhaisia merkkejä vaurioista röntgensäteillä, ja kun potilaalla on oireita, paras hoitohoito on usein ohitettu.
2. Huoltojärjestelmän päivitys
· Tilanvalvontatekniikan suhteen: värähtelyantureita käytetään nyt pääasiassa spektrianalyysitekniikan (ts. FFT -analyysin) yhteydessä. Esimerkiksi päivittäinen kemiallinen yritys käytti tätä menetelmää löytääkseen vaihdelaatikon epänormaalit kulumisominaisuudet kaksi viikkoa etukäteen; On myös menetelmiä, kuten infrapuna -lämpökuvaus. Kun moottori on ylikuormitettu, siihen liittyy yleensä 8-12 asteen epänormaali lämpötilan nousu, ja järjestelmä laukaisee huoltohälytyksen automaattisesti.
· TIETOJEN PERUSTELUN HUOLTO (CBM): Monet yritykset rakentavat nyt laitteiden terveysindeksimalleja, jotka voivat integroida yli kymmenen parametria, kuten värähtelytiedot, lämpötilan muutokset, nykyiset vaihtelut jne., Ja laskea dynaamisesti, mitkä laitteet tarvitsevat prioriteettien ylläpidon. Samaan aikaan se yhdistetään myös varaosien inventaariojärjestelmään. Esimerkiksi ennustetulosten mukaan keskeiset osat voidaan valmistaa kolme päivää etukäteen, jotta varaosien varaston vaihdon tehokkuutta lisääntyy noin 40%.
Henkilöstön vaikutusmahdollisuudet: Operaattoreista tehokkuuden parantamiseen
1. Henkilöstöominaisuuksien nykytilan analyysi
· Taitopuku: Tällä hetkellä operaattorit pysyvät pääasiassa peruskäyttötasolla, kuten laitteiden käynnistys ja pysäyttäjä, heillä ei ole syvää ymmärrystä parametrien takana olevasta toimintalogiikasta;
· Vastausmekanismi: Epänormaalien tilanteiden kohdalla heidän on usein odotettava insinöörejä tarjoavan etätukea. Erityisesti ongelman ratkaiseminen vie keskimäärin yli 40 minuuttia.
Kapasiteettissuunnitelma
Taitokoulutus:
· VR -simulaatiokoulutusjärjestelmä: Antamalla operaattoreille toistuvasti harjoittaa virtuaaliympäristön erilaisten laitteiden vikaantumiskenaarioiden käsittelyä, esimerkiksi autokokoonpanon työntekijöitä on koulutettu tällä tavalla, ja kuljetinhihnojen hillojen tunnistamisen nopeus on lisääntynyt 3 kertaa;
· Käyttöprosessin visualisointi: Koetietojen muuttamisen jälkeen kuvakkeiden käyttöohjeiksi, kemiallisen kasvin käyttötapa osoittaa, että reaktoriparametrien säätävien operaattoreiden tarkkuus on kasvanut yli 60%: sta yli 90%: iin.
Kannustinmekanismin taso:
· Suorituskyvyn parantamisen palkinto: Esimerkiksi elektroniikkatehdas asetti kuukausittaisen bonuspoolin, ja joukkue palkitaan 5, 000 yuan jokaisesta prosenttiyksikön lisäyksestä tuotantolinjan tehokkuudessa;
· Yhteistyöhön perustuva työtila: Kun käyttäjät käyttävät AR -laseja yhteistyöhön etäyhteyden kanssa insinöörien kanssa, viimeinen moottorin ylikuumenemisvirhe lyhennettiin kahdesta tunnista 25 minuuttiin.
Johtopäätös: Suljetun silmän tehokkuuden optimoinnin suljetun silmukan rakentaminen
Yleensä tehokkuuden parantamisen täydellisen suljetun silmukan muodostaminen vaatii moniulotteista yhteistyötä. Esimerkiksi laitteiden modifioinnin kannalta kuljetinhihnalaakereiden muuttaminen voi vähentää laitteiden häiritsemisen todennäköisyyttä 20 - 30% (noin 20% -40% vikaprosentin alenemista). Prosessien optimointi viittaa pääasiassa kokoonpanolinjan nopeuden ja toimintaparametrien dynaamisen säätämisen reaaliaikaiseen seurantaan, joka voi säästää noin 15% neljännekseen materiaalijätteistä. Henkilöstökoulutuksen kannalta tyypillinen esimerkki on vanhojen mestareiden kokemusten jakamisistuntojen järjestäminen uusien tulokkaiden johtamiseksi. Tämän tyyppisen koulutuksen kautta toiminnan tehokkuutta voidaan yleensä parantaa yli 10 prosenttiyksikköä. Kolme avainpistettä voidaan harkita seuraaviin kehityssuuntaan: ensin asenna laitteisiin verkostoitumimoduulit älykkään hallinnan saavuttamiseksi. Esimerkiksi pakkauskone säätää lämpötilaparametreja automaattisesti viimeisen kolmen kuukauden tietojen perusteella. Toinen on reunan laskentalaatikot käyttöön laitteen vieressä. Tämä ratkaisu voi diagnosoida ja korjata 90% vikoista paikallisesti, ja vasteenopeus on useita suuruusluokkaa nopeammin kuin pilvenkäsittely. Vielä tärkeämpää on, että se on luoda itsekehitysjärjestelmä, jonka avulla koneet voivat optimoida työskentelyparametrit jatkuvan oppimisen kautta, aivan kuten ihmiset keräävät kokemusta ja saavuttavat vähitellen itsenäisen päätöksenteon ja kehittyvät kohti älykkäiden tuotantomallia "itsensä käsittelemisistä ongelmista, itsesäätöasetuksista ja itsensä hankkimisuunnitelmista".