استفاده از سنسورها و IoT در نظارت بر ماشین انتقال

قالب انتقال همچنان یک سنگ بنای تولید با حجم بالا برای قطعات پیچیده لاستیک و پلاستیکی، از مخازن خودرو به کپسول های الکترونیکی است.این فرایند نیاز به کنترل دقیق دما، فشار و جریان مواد برای دستیابی به کیفیت تکرار پذیر و به حداقل رساندن زباله، اپراتورهای به بررسی های دستی دوره ای و بازرسی های پس از تولید متکی است.

تکنولوژی های سنسور اصلی برای انتقال اکستروژن

سنسورها مستقر در یک ماشین فرم انتقال پارامترهای فیزیکی را ضبط می کنند که به طور مستقیم بر چرخه درمان و یکپارچگی بخشی تأثیر می گذارند.با تبدیل این سیگنال های فیزیکی به داده های الکتریکی، آنها پایه و اساس هر سیستم نظارت دیجیتال را تشکیل می دهند. انتخاب نوع سنسور مناسب و قرار دادن برای بینش عملی حیاتی است.

سنسور های دما

یکنواختی دما در قالب و pre Heat Platen به طور مستقیم بر ویسکوزیته جریان و نرخ اتصال متقابل تأثیر می گذارد. [نوع J یا K] به دلیل پاسخ سریع و ناهمواری آنها رایج است، Resistance (RTD) [3] آشکارسازهای حرارتی اولیه می توانند از حفره های هشدار دهنده نور مادون قرمز در نزدیکی مواد و یا نصب های فلش تعبیه شده استفاده کنند.

سنسور فشار

فشار هیدرولیک در نوار و انتقال تراموا باید در پنجره های مشخص باقی بماند. [FLT: Strain-gauge-ga-uge مبدل فشار مبتنی بر فشار در خط هیدرولیک ارائه بازخورد زمان واقعی برای نظارت بر فشار حفره مستقیم، piezoالکتریک یا سنسور های فشار سنج] می تواند با خوراک های برش داده های سرعت اتصال یا تنظیم سرعت خاموش کردن آن ها نصب شود.

سنسور های ارتعاشات

لرزش غیرشخصی در ساختار مطبوعات یا انتقال اغلب قبل از شکست مکانیکی است. Accelerometers قرار داده شده در میله های کراوات، موتور پمپ هیدرولیک، و گیره جذب طیف فرکانس بالا (به عنوان مثال، accelerometers با 10 kHz) تنظیم کننده مواد مخدر (تضر زدن سریع) برای تجزیه و تحلیل خطا (بد)

انواع سنسور اضافی

  • سنسورهای کم (FLT:1) : جریان روغن هیدرولیک را برای تشخیص لغزش پمپ یا انسداد کنترل کنید.
  • سنسورهای جابجایی خطوط خطی: پیگیری موقعیت تراموا و سرکوب سکته با تکرار در محدوده میکرون.
  • سنسورهای ترس از: در منطقه قالب بندی، رطوبت می تواند بر محتوای رطوبت مواد تاثیر بگذارد؛ سنسور ها اپراتورهای هشدار دهنده برای شرایط خارج از چشم.
  • سنسورهای انتشار گازهای گلخانه ای: تجزیه میکرو شکاف در طول درمان یا دمدم، امکان بازخورد کیفیت در هر چرخه.

معماری IoT برای انتقال اکستروژن

یک اتصال سیستم IoT موثر و محاسباتی بر بالای سیگنال های سنسور خام است.معماری معمولا شامل سه کراوات است: خرید لبه، پردازش محلی و تجزیه و تحلیل ابر.

Edge to Cloud Pipeline

هر سنسور به یک دروازه ی صنعتی (FLT:0) متصل می شود از طریق پروتکل های سیمی (به عنوان مثال، Modbus رزین 4-20 mA) یا بی سیم (به عنوان مثال، LoRaLTWAN، Zigbee) داده ها را جمع می کند، زمان بندی می کند و بسته های اولیه فیلتر را اجرا می کند.

داشبورد های زمان واقعی و هشدار

داشبوردهای ساخته شده بر روی سیستم عامل هایی مانند (FLT:0) Gauntana نشان دهنده روند زنده دما، فشار و زمان چرخه در هر اپراتور ماشین است می تواند هشدارهای چند شرط را تنظیم کند: به عنوان مثال، اگر دمای قالب به مدت 10 ثانیه، SMS یا اطلاع رسانی ایمیل، این امر باعث کاهش فعالیت های طولانی مدت و جلوگیری از شرایط نامطلوب می شود.

نگهداری پیش بینی شده از طریق یادگیری ماشین

داده های سنسور تاریخی - به ویژه امضاهای ارتعاشی و منحنی های فعلی - مدل هایی را برای پیش بینی سایش جزء، شبکه های عصبی فعلی یا طبقه بندی های تصادفی جنگل می توانند زندگی مفید باقی مانده از دریچه های هیدرولیک، باندها و مهر و موم ها را پیش بینی کنند.یک مدل های منظم برای بازسازی مجدد در هفته با استفاده از داده های جدید، بهبود دقت پیش بینی.

بهینه سازی فرآیند Data-Driven Process Optimization

با مجموعه داده های چند ساله، مهندسان گیاه می توانند پارامترهای سنسور را با معیارهای کیفیت بخش نهایی (به عنوان مثال، تحمل بعد، سختی) تطبیق دهند.یادگیری ماشین نقاط بهینه را شناسایی می کند که زمان چرخه تعادل را در برابر نرخ نقص تعادل می دهد، به عنوان مثال، افزایش سرعت انتقال توسط 2٪ در حالی که کاهش فشار نگه داشتن 5% ممکن است یک 3٪ از طریق افزایش کیفیت صفر باشد.

مزایای قابل توجه ادغام سنسور-IoT

بازگشت سرمایه گذاری از نظارت دیجیتال فراتر از بهبود زمان ساده است.

  • ضایعات و کار مجدد را کاهش داد: بازخورد فشار حفره در زمان واقعی، کم عیب یا بیش از حد بسته می شود، جلوگیری از قطعات معیوب از پیشرفت در حال کاهش است.
  • افزایش OEE (تعامل بیش از حد تجهیزات): تعمیر و نگهداری پیش بینی و کاهش زمان تنظیمات به لطف تنظیمات مرجع تاریخی افزایش دسترسی و عملکرد.
  • بهره وری انرژی: پمپ و مصرف انرژی بخاری می تواند در هر چرخه ردیابی شود. Anomalies عملکرد ناکارآمد پرچم یا اجزای شکست (به عنوان مثال، شیر خنک کننده گیر) قبل از آنها صورتحساب های سودمند.
  • ایمنی عملیاتی: سنسور های ارتعاش و فشار می توانند شرایط ناامن مانند یک صفحه گیر یا نشت هیدرولیک را تشخیص دهند، که باعث خاموش شدن ماشین اتوماتیک می شود.
  • مستندات انطباق: برای صنایع تنظیم شده (automotive، پزشکی)، ثبت های سنسور مداوم سوابق قابل حسابرسی را ارائه می دهند که هر بخش در پارامترهای معتبر شکل گرفته است.

چالش های اجرایی

در حالی که مزایای آن روشن است، استقرار سنسور ها و IoT در مقیاس نیاز به توجه به چندین مانع عملی دارد.

حجم داده ها و امنیت سایبری

یک ماشین قالب سازی انتقال با 30 سنسور نمونه برداری در 100 هرتز بیش از 250 میلیون نقطه داده در روز تولید می کند.کینگ و پردازش این داده ها به طور مقرون به صرفه خواستار استراتژی های فشرده سازی، ذخیره سازی لایه (گرم / گرم / سرد) و رمزگذاری قوی هر دو در حمل و نقل و استراحت است.

قابلیت اطمینان سنسور و کالیبراسیون

سنسورها در معرض گرما، ارتعاشات و ترکیبات قالب گیری تهاجمی (به عنوان مثال، لاستیک گوگرد) در طول زمان کاهش می یابد.برنامه های کالیبراسیون منظم - سه ماهه برای ترموزوها، نیمه به طور نیمه برای مبدل های فشار - ضروری هستند. سنسورهای ردموند در پارامترهای بحرانی (به عنوان مثال، سنسورهای دوگانه دما در قالب) جلوگیری از یک نقطه از شکست از مجموعه داده های فاسد.

ادغام با کنترل کننده های میراث

بسیاری از انتقال های قالب بندی هنوز بر PLC ها از دهه 1990 که فاقد اترنت یا آنالوگ مدرن I/O Expansion هستند، فشار های فرمت شده اغلب به سیستم های سیگنال نیاز دارند (به عنوان مثال، تبدیل 0 تا 10 V به Modbus) و ماژول های دروازه خارجی. برخی از تولیدکنندگان تصمیم به جایگزینی کل پلت فرم کنترل با یک کنترل اتوماسیون مدرن (PAC) که به طور بومی از پروتکل های IoT پشتیبانی می کند، اگرچه سرمایه قابل توجه است.

مسیر های آینده

موج بعدی سنسور و پذیرش IoT در قالب انتقال با سه روند شکل خواهد گرفت.

دوقلوهای دیجیتال و شبیه سازی

یک دوقلو دیجیتال از قالب و ماشین، تغذیه شده توسط جریان های سنسور زنده، اجازه می دهد تا مهندسان برای اجرای سناریوهای "چه چیزی" بدون توقف تولید، به عنوان مثال، تست رفتار جریان مواد جدید با شبیه سازی پروفایل های انتقال تغییر یافته فشار در نرم افزار. ANSYS Twin Builder [F:1] و سیستم عامل های مشابه این را با نقشه برداری واقعی بر روی مدل های توزیع دما محدود قادر می سازد.

ماشین های خود-Optimizing

حلقه های کنترل که به طور خودکار پارامترهای را بر اساس بازخورد سنسور تنظیم می کنند از PID ساده به سیستم های عصبی-fuzzy سازگار در حال تکامل هستند، این سیستم ها پاسخ حرارتی و مکانیکی منحصر به فرد هر قالب و به طور مداوم تنظیم شده برای حفظ درمان بهینه را یاد می گیرند.

5G و Edge Computing

شبکه های تاخیر 5G به سنسور اجازه می دهند تا داده های سنسور را در نزدیکی زمان واقعی در لبه پردازش کند، هماهنگی بین چندین فشار در یک سلول تولید را امکان می دهد، به عنوان مثال، اگر یک ماشین بیش از حد ارتعاش کند، یک ربات مجاور می تواند دستور دهد تا رویکرد خود را برای جلوگیری از برخورد کند. Edge محاسبات همچنین هزینه پهنای باند ابر را با انجام تشخیص محلی آنژیو قبل از انتقال معیارهای کامل کاهش می دهد.

نتیجه گیری

یکپارچه سازی سنسورها و IoT به انتقال نظارت ماشین قالب سازی، تعمیر و نگهداری واکنشی را به عملیات فعال و مبتنی بر داده تبدیل می کند.از دما و اندازه گیری فشار به مدل های پیش بینی مبتنی بر ابر، پشته تکنولوژی بالغ و قابل دسترس است که سرمایه گذاری در این سیستم ها بهبود قابل اندازه گیری در زمان، کیفیت و مصرف انرژی را در حالی که قرار دادن عملیات خود را برای نسل بعدی تولید مستقل است، به عنوان دیجیتال و دوقلوهای خود بهینه سازی، تنها یک شکاف گسترده بین بقیه است.