Každé neplánované zastavení výroby, a to i jednotlivých strojů, vyžaduje vyvinutí dalšího úsilí, zvyšuje náklady a snižuje výkon. Datově řízené, průběžné a nejlepší možné sledování stavu je nezbytným základem pro maximální provozuschopnost strojů a zařízení.
Monitoring
Nejdůležitějším příkladem použití je nepřetržitý monitoring stroje. Cílem je využít relevantní údaje, jako je proud, teplota nebo vibrace, a na jejich základě včas odhalit anomálie v probíhajícím provozu, v ideálním případě k tomu, aby bylo možné tyto anomálie klasifikovat a předem odhalit možné chyby. Často se jedná o známky opotřebení, které lze včas a spolehlivě odhalit pomocí analýzy založené na strojovém učení. To pak umožňuje včas plánovat servisní zásahy a údržbu s cílem dosažení maximální provozuschopnosti při minimálních nákladech.
Monitorování procesů
Dalším důležitým případem použití je průběžné monitorování procesů. Cílem je včas odhalit odchylky od parametrů procesu a v případě potřeby do procesu zasáhnout. V návaznosti na stávající řešení řízení a data, která jsou již obvykle k dispozici, je opět používáno řešení založené na modelovém strojovém učení, které anomálie odhalí a roztřídí je v maximální míře. Tam, kde automatizace založená na pravidlech naráží na své limity, přináší strojové učení zcela nové pohledy na dosud neznámé procesní stavy. Výsledkem je možnost zasáhnout do procesu dříve a cíleněji.
Na základě průběžného sledování stavu strojů a zařízení vznikají různé případy použití, které věnují pozornost cíli zajištění maximální provozuschopnosti zařízení, což je opět klíčem k ekonomické výrobě. V konečném důsledku je stav zařízení znám nepřetržitě, což vede k maximální bezpečnosti osob odpovědných za proces. Dále lze včas odhalovat chyby nebo anomálie v datech stroje a zahájit potřebná opatření dříve, než dojde ke skutečné poruše nebo dokonce selhání systému.
Jedním z příkladů použití je automatizované monitorování vysokorychlostních dopravníkových pásů v intralogistice. Jedním z úkolů je sledovat a předpovídat prodloužení prvků dopravníkového řetězu v závislosti na různých ovlivňujících faktorech, jako jsou rychlost, zatížení, doba chodu nebo teplota. To zahrnuje včasnou identifikaci jednotlivých poškozených oblastí řetězce. Dále to vede k ilustraci nebo zajištění znalostí servisních techniků o stavu systému, a tím také k transformaci směrem k nepřetržitému monitorování systému na základě dat. Konkrétním přínosem automatizovaného monitorování je snížení nákladů na servis a údržbu, jakož i vyšší provozuschopnost, a tím také vyšší produktivita systému. S ohledem na nové obchodní modely je například umožněn prodej služby zajišťování provozuschopnosti na základě nových nebo rozšířených dohod o úrovni služeb (SLA). Takové služby průmyslového internetu věcí koneckonců vedou k novým vnímatelným funkcím pro koncové zákazníky a odpovídající vyšší loajalitě zákazníků.
Další aplikací je automatické monitorování ventilátorů ve výrobní hale pro galvanizaci - galvanovně. V galvanovně je ventilace kritickým výrobním procesem. Vzniká například plynný kyslíkovodík, který při kritických koncentracích představuje nebezpečí exploze. Kyselé látky mohou vést také ke korozi zařízení. Existuje také odpovědnost v oblasti bezpečnosti a ochrany zdraví při práci a zdraví zaměstnanců. Je třeba nepřetržitě monitorovat ventilátory pomocí inteligentních senzorů a analýzy dat na bázi strojového učení. Je třeba přejít od preventivní údržby založené na pravidlech k údržbě založené na stavu. Tím lze dosáhnout minimalizace neplánovaných odstávek výroby a snížení nákladů na údržbu. Prvním přínosem tohoto příkladného komplexního řešení pro brownfield aplikace je nepřetržité, automatizované sledování stavu. To je základem pro omezení nebo minimalizaci kontrol, údržby a oprav. V tomto konkrétním případě bylo možné přejít od měsíčních kontrol ventilátorů s prováděním obchůzky po střeše galvanovny na provádění půlročních kontrol. Toto řešení umožnilo snížení neplánovaných odstávek a zvýšení provozuschopnosti zařízení. Případ použití internetu věcí s konkrétními výhodami.
Na základě procesních dat a jejich vyhodnocení pomocí technologií strojového učení lze v mnoha případech vyvodit závěry o kvalitě vyráběných produktů. Na základě zvolených parametrů procesu lze na základě strojového učení identifikovat vzory, které lze přiřadit konkrétnímu stavu procesu. Odvozeně lze například sledovat toleranční rozsahy a včas rozpoznat, kdy dosud stanovené tolerance jsou nebo budou nedostatečné ve smyslu predikce.
Inteligentní analýza dat pomáhá společnosti Grenzebach dosáhnout zajištění kvality v reálném čase a prediktivní údržby strojů pro inovativní systémy frikčního svařování. Tímto způsobem přispívají specialisté na výrobu strojů a zařízení k tomu, aby se sériová výroba v non-stop režimu 24/7 dostala na novou úroveň.
Rotační třecí kolík je ústředním nástrojem při třecím svařování s promíšením (FSW), inovativním procesu švového svařování, který společnost Grenzebach vyvinula pro lehké kovy, jako je hliník a jeho slitiny. Třením a tlakem vytváří kolík procesní teplo potřebné k tomu, aby se kov stal kujným, a ten je pak podél kontaktního místa promísen rotačním působením třecího kolíku. Bez nutnosti přidání svařovacího drátu nebo inertního plynu tak vzniká pevný spoj, který se vyznačuje dlouhodobou stabilitou a odolností proti deformaci. Předpokladem dosažení tohoto výsledku je, že se třecí kolík chová podle očekávání. Přesné tahové a tlakové síly jsou rozhodující pro dosažení správného stupně deformace kovu. Kontrola kvality byla doposud prováděna pracovníky obsluhy stroje, která po procesu FSW vizuálně kontrolovala svarový šev, což je časově náročný postup, jehož úspěšnost také do značné míry závisela na osobních znalostech uživatele.
Monitorování v reálném čase během procesu svařování
Vývojář technologie Dr. Carlos Paiz Gatica vysvětluje, jak funguje detekce anomálií: Porovnání referenčního modelu a aktuálního procesu umožňuje posouzení kvality v reálném čase. Jako průkopník v oblasti Průmyslu 4.0 dnes společnost Grenzebach využívá inteligentní procesy analýzy dat, které umožňují přesné prognózy. A k tomuto účelu využívá na míru šité řešení Průmyslové analytiky od společnosti Weidmüller.
Náš analytický software, který byl přizpůsoben potřebám společnosti Grenzebach, porovnává síly zaznamenané na senzorech během procesu svařování se záznamem ideálních referenčních dat. Jakmile systém zjistí odchylku, která se nachází mimo stanovené parametry, je o tom obsluha stroje informována a ihned ví, že s procesem svařování není něco v pořádku. Ruční kontrola každého svarového spoje tak již není nutná.
Pro určení referenčního modelu vyhodnotila společnost Weidmüller společně s inženýry ze společnosti Grenzebach soubory dat z několika stovek svarových švů z hlediska jejich relevance a posoudila je pomocí metod inteligentní analýzy dat. Významný prvek analýz poskytlo know-how pocházející od společnosti Grenzebach. Software společnosti Weidmüller sice dokáže s určitou mírou pravděpodobnosti předpovědět závadu, vždy je však nutné, aby byla tato závada předem klasifikována. Pouze společnost Grenzebach může určit, zda má být anomálie skutečně klasifikována jako kritická chyba, nebo ne.
Kvalita a provozuschopnost nabízených výrobků
Kromě provádění kontrol kvality svárů zaznamenává analytický software také procesní parametry každého vyrobeného dílu, čímž vytváří kompletní dokumentaci. To je významným přínosem nejen z právního hlediska, ale také z hlediska sledovatelnosti a opakovatelnosti. Systém také poskytuje včasné upozornění, pokud by byla vhodná výměna svařovacího kolíku. Díky těmto informacím může pracovník obsluhy stroje sestavit plán údržby tak, aby se vyhnul případným prostojům.
„Vedle minimalizace odpadů/zmetků, který může vzniknout v důsledku poruchy nástroje, je důležitým faktorem zejména ve strojírenství a provozu strojních zařízeních provozuschopnost strojů,“ zdůrazňuje Kress.
Společnost Grenzebach, která se specializuje na špičkové technologie, vidí ve svém obchodním modelu do budoucna několik dalších výhod: „Zaprvé můžeme našim zákazníkům nabídnout velmi přesnou a kvantifikovatelnou kontrolu kvality a zároveň jim poskytnout prognózu možných odstávek zařízení, což jim umožní šetřit zdroje a náklady. Zároveň jsme schopni implementovat služby založené na datech a efektivně využívat kvalitu výrobků nebo provozuschopnost zařízení jako argumenty při prodeji,“ vysvětluje Michael Sieren, manažer prodeje FSW ve společnosti Grenzebach.