Secara efisien memerangi kerugian produksi dan gangguan pada peralatan otomatis
HI-Tech

Secara efisien memerangi kerugian produksi dan gangguan pada peralatan otomatis


Model perilaku dan tingkat efisiensi peralatan ditampilkan secara visual di monitor. Kredit: Fraunhofer IPA

Ketika konektivitas meningkat dalam proses produksi, begitu pula kompleksitasnya. Keahlian analisis data diperlukan untuk memprediksi pemadaman peralatan pada waktu yang tepat dan mendeteksi apa yang menyebabkan kerugian dalam efisiensi. MOEE, alat yang dipamerkan oleh tim peneliti dari Institut Fraunhofer untuk Teknik Manufaktur dan Otomasi IPA di pameran perdagangan Hannover Messe dari 12 hingga 16 April 2021, mengidentifikasi penyebab kerugian produksi pada peralatan yang terhubung dan memungkinkan penyelesaian gangguan dengan cepat .

Efektivitas peralatan keseluruhan (OEE) adalah metrik penting di sektor produksi. Ini menentukan persentase kualitas produk yang diproduksi peralatan saat beroperasi pada kecepatan tertentu. Pada saat yang sama, angka ini merupakan dasar untuk meningkatkan proses melalui identifikasi kerugian produksi. Dengan MOEE, yang merupakan singkatan dari Maximize Overall Equipment Effectiveness, para peneliti di Fraunhofer IPA di Stuttgart telah mengembangkan alat perangkat lunak yang mendeteksi kerugian produksi dalam peralatan otomatis yang kompleks dan saling berhubungan berdasarkan tiga parameter: kinerja, kualitas, dan ketersediaan.

Algoritme yang diimplementasikan dalam alat secara otomatis menganalisis perilaku peralatan untuk membuat model proses individual. Dalam prosesnya, mereka menampilkan dan mengevaluasi berbagai tahapan proses dalam sebuah siklus produksi. “Algoritme menentukan proses apa yang terjadi kapan dan dalam urutan apa, dan berapa lama masing-masing berlangsung. Jika tahapan proses tidak berlangsung pada kecepatan yang diperlukan dan mereka tidak selaras satu sama lain secara optimal, ini mengungkapkan sesuatu tentang kinerja, “kata Brandon Sai, kepala grup” Pengoptimalan produksi otonom “di Fraunhofer IPA. Dia memberikan contoh untuk menggambarkan cara kerja perangkat lunak: “Ketika robot berhenti sebentar, ini biasanya tidak terdeteksi, jadi sulit untuk mengukur efek dari jeda ini. Namun, ketika banyak dari jeda ini bertambah, itu menyebabkan kesalahan. ” Jika mesin tidak bergerak, ini menunjukkan sesuatu tentang ketersediaan, kriteria lain untuk keefektifan peralatan yang tidak mencukupi. Algoritma pembelajaran mandiri yang dikembangkan secara internal di Fraunhofer juga memberikan informasi tentang tingkat kualitas yang dicapai. Tujuannya adalah untuk mencocokkan komponen peralatan dengan kerugian yang teridentifikasi dan dengan demikian mendeteksi titik lemah yang sebenarnya.

Menggabungkan pemodelan proses otomatis dengan pembelajaran mesin

Penyebab umum gangguan adalah menghitung buffer keamanan yang lebih besar daripada yang dibutuhkan. MOEE dapat mendeteksi periode penghentian fraksional yang tidak terlihat dengan mata telanjang serta kemacetan dalam sistem dinamis — yang disebabkan oleh kemacetan produksi. Kerusakan, seperti komponen mesin macet, atau aplikasi lapisan pelumasan yang tidak memadai juga dicatat, karena perangkat lunak mengkodekan setiap status dengan cermat. “Melalui kombinasi pemodelan proses otomatis dan pembelajaran mesin, kami mendeteksi kerugian produksi saat timbul, yang membantu menyelesaikan gangguan dengan cepat,” kata insinyur tersebut. Daripada dibebani dengan informasi ini, operator hanya diberi tahu jika terjadi masalah. Atau, mereka dapat melihat tingkat efisiensi peralatan dan model perilaku melalui tampilan di dasbor.

Mendeteksi kerugian produksi pada level sinyal

MOEE menggunakan antarmuka I / O sistem kontrol saat melakukan analisis. “Antarmuka I / O adalah otak mesin. Peralatan dimonitor langsung dari sistem kontrol. Dari sana, perilaku peralatan dapat dideteksi secara optimal, dengan cara yang sangat terperinci,” kata Sai. Hal ini memungkinkan untuk menentukan kerugian produksi pada level sinyal, meningkatkan ketersediaan dan kinerja, dan mengidentifikasi variasi kualitas. Kehilangan kinerja dan kualitas dapat ditelusuri hingga ke tingkat komponen peralatan — katup tunggal misalnya.


Kontrol kualitas melalui suara: AI untuk mereka yang tidak berpengalaman


Disediakan oleh Fraunhofer-Gesellschaft

Kutipan: Secara efisien memerangi kehilangan produksi dan gangguan pada peralatan otomatis (2021, 30 Maret) diambil pada 30 Maret 2021 dari https://techxplore.com/news/2021-03-efficiently-combating-production-loss-disruption.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Keluaran SGP