Sürekli Süreç İyileştirme için Cam'daki Büyük Veri Analitiği Nasıl Yararlanır

Endüstri 4.0 çağında, Bilgisayar destekli Üretim (CAM) her gün otomatik makine talimatlarını tüm fabrika zemini için merkezi bir sinir sistemi haline getirmek için bir araçtan gelişti. Büyük veri analizi ile birleştirildiğinde, CAM sistemleri sürekli süreç iyileştirmesi için motorlar haline getirir.Modern üretim her gün petabaytlar ve operasyonel koşullara ve tedarik zinciri sinyallerine kadar.Bu verileri kullanarak, üreticiler gizli korelasyonları ortaya çıkarabilirler, gerçek zamanlı olarak hataları tahmin edebilir.Bu makale, gerçek zamanlı olarak optimize edebilir.

Vakfı: KÜRE'de Büyük Veriyi Anlayın

CAM context'deki büyük veriler, büyük hacim, yüksek hız ve üretim yaşam döngüsü boyunca üretilen verilerin çeşitlilerini ifade eder. Bu veriler birkaç temel türüne kategorize edilebilir:

Anahtar meydan okuma sadece bu çeşitli akışları toplamaz, ancak bunları birleşik bir analitik çerçeveye entegre etmek için yalan söyler. Tarihsel olarak, birçok fabrikayı kovalamalarda çalıştırılır - makine verileri kontrol edilebilir, kaliteli veriler yayılabilir ve üretim programları ayrı yazılımlarda var. Büyük veri analizi talepler bu istatistiksel engelleri kırar.ToPC UA gibi standart protokolleri kullanarak - gizli verilerin toplanması veya zaman veri toplama araçlarına veri akışı sağlayabilir.

Büyük Veriyi Klandırmak için Anahtar Stratejileri

Veri koleksiyonundan sürekli iyileşmeye geçmek için üreticiler birbirine bağlı stratejileri benimsemelidir. Her strateji, optimizasyon döngüsü oluşturmak için başkalarına yapılan bir stratejidir.

1. Veri Entegrasyonu ve Unification

İlk adım, 200+ CNC makinelerinden (FANUC, Siemens, Heidenhain) bir ortak şema oluşturmak yerine, tüm varlıklardaki verileri normalleştiren bir entegrasyon katmanı uygulayın. Örneğin, 200+ CNC makinelerinden 1 tane otomotiv tedarikçisi, genel ekipmandaki toplam 12 azalma oldu.Data integration[T:0) Bu nedenle, tüm diğer makinelerde zaman ve enerji kullanımı ile ilgili tüm stratejilerin diğer tüm avantajların karşılaştırmasına olanak sağlar.

2. Contextual Alerts ile Gerçek Zaman İzleme

Örneğin, bir değirmen makinesinin son derece önemli olduğu durumlarda, üç sigma tarafından tarihsel desenden farklı olarak akış makinesi verileri, işletimi otomatik olarak durdurup operatörüne uyarıp, aracı giymeleri, yanlış bir baskı, malzeme değişimi sağlar.Bu hedefli yaklaşım alarmı azaltır ve daha hızlı yanıt verir.Rick platformlarını yerel olarak 50 milistik bir şekilde kesintiye uğratabilir.

3. Tarihsel Desenlere Dayan Temel Olarak Tahmin Edici Bakım

Tahmin edici bakım, bir araçta, veya sürücü başarısız olduğunda tahmin edilebilir. İyi bir uçak üreticisinden geliyor, araçta rastgele orman modellerini yüzde 95 oranında tahmin etmek için araç giymeye gerek yok.En iyi modellemeler, daha önce bilinmeyen modları bir araya getirerek planlanmamış bir araçla planlanmamış verileri tahmin etmek için gerekli olan büyük bir teknik uygulama.En iyileştirici yöntemler: Zamanları kesmek için zaman ayırım, kesme güçleri, akustik emisyonları ve mikro-vibrasyonlar.

4. Şişenck Analizi ile Süreç Optimizasyonu

Büyük veriler üreticilerin tüm üretim sürecini stochastic bir sistem olarak modelleyebilmelerine olanak sağlar.Sessiz-event simülasyonu gerçek makine verileriyle beslenebilir (zaman zaman, kurulum süreleri, arıza oranları, operatör hızları), gerçek şişe makineyi tanımlayabilirsiniz - en yüksek değişkenli makine değil. Örneğin, bir kağıt metal damgalı sistem dijital ikizleri inşa etmek için sürekli verileri kullandı.

5. Analitik Kontrol Artırılmış

Geleneksel kalite kontrolü örnekleme ve post-işlem incelemesine dayanıyor. Büyük veriler gerçek zamanlı,% 100 standart kalite güvencesi sağlar. Örneğin, beş eksenli işlem sırasında, sensörler ölçüm cihazı ve titreşim cihazı bu yaklaşımı ve kesme oranlarıyla, her yıl boyunca tasarruf eden bir model tespit edildiğinde, model tarihsel olarak ortaya çıkan bir model tespit eder: CAM sistemi otomatik olarak besleme oranları ayarlayabilir veya bir araç değiştirme işlemine geri dönebilir.

← Big Data Analytics in CAM: Bir Yapılı Yaklaşım

Başarılı uygulama sadece analitik yazılım satın almaktan daha fazlasını gerektirir. İnsanları, süreçleri ve teknolojiyi ele alan yapısal bir yol haritası gerektirir.

Aşama 1: Assess Data Readiness and Infrastructure

Analize atlamaktan önce, mevcut CAM ortamınızı denetlemek. Makineleriniz gerekli sensörleri ve bağlantıya sahip mi? Yüksek frekanslı veriler (örneğin, 10 kHz titreşim), IoT adaptörü ile daha büyük makinelere yatırım yapmak (örneğin, OPC DA'yi OPCA ağ bant genişliğine ve geç saatlere kadar değerlendirmek önemlidir.

2. Aşama 2: Doğru Analytics Platformunu seçin

Piyasa bulut tabanlı servislerden (AWS IoT Analytics, Microsoft Azure Digital Twins) Siemens (MindSphere) veya GE Digital (Proficy) ile ölçeklendirmeden önce değer elde etmek için seçenekler sunar: zaman serisi verileri işlemek için zaman desteği, CAM yazılımınızla entegrasyon kolaylığı (örneğin, Siemens NX CAM, Mastercam, CATIA), ve ölçeklenebilirlik. Pilot.

3. Aşama: Analytical Modeller Oluşturun

Basit tanımlayıcı analitik ile başlayın - OEE, döngü zamanı ve hata oranı eğilimleri gibi temel KPI'lar. Sonra analitik analizlere hareket edin: kök-çünkü analiz araçları (örneğin, n.g. karar ağaçları, Shapley değer analizi) hangi süreci değişkenleri kaliteli kusurları ile en güçlü şekilde ilişkili olduğunu tanımlamak için.Son olarak, tahmin edici ve önsözlü modeller.For CAM ortamları için, ensemble yöntemleri (random ormanı, XGBoost) sık sık sık sık sık sık sık sık sık sık sık sık sıkılabilir ve gerekli verileri gerektirir.

Aşama 4: Tren ve İşgücünün Güçlendirilmesi

Veri analizi sadece mağaza zemininde kabul edilen kadar değerlidir. Tren operatörleri, teknisyenler ve süreç mühendisleri bilgilendirici olan görsel paniğe sahipler oluşturun, ezici değil, sürekli bir iyileştirme kurulu oluşturun, veri odaklı bulguların haftalık olarak incelendiği kültür değişimi “malzeme yangınları” için genellikle en zor ama en ödüllendirici kısmı.

Aşama 5: Linki CAM Program Updates ile Kapat

Nihai hedef, analiz sonuçları otomatik olarak CAM aracıpath veya kesme parametrelerine sahip olmaktır. Bu, analitik motor ve post-processor arasında sıkı bir entegrasyon gerektirir. Örneğin, model yakın bir sohbet koşulu öngörürse, bir sonraki bölümde adım veya hız değiştirebilir.HESTR:0Hexagon İmalat Zekası)

Gelişmiş Uygulamaları: Temellerin Ötesinde

Temel analizler yerinde olduğunda, üreticiler daha büyük kazanımlar sağlayan daha gelişmiş uygulamaları keşfedebilirler.

Gerçek Zamanlı Senkronizasyonlu Dijital İkizler

Bir dijital ikiz, canlı sensör verileri ile sürekli olarak güncellenen fiziksel bir üretim sisteminin sanal bir kopyasıdır.In CAM, dijital ikiz, tüm işleme sürecini, yüksek sadakatle simüle edebilir, gerçek araç kullanımı sonucu elde edilen yüzeyin sonlanmasını tahmin etmek için veri kullanır. Örneğin, yüksek teknolojili bir makine üreticisi her NC programını çevrimdışı olarak doğrulamak için dijital ikiz kullanır, gerçek makine dinamiklerini (friction, termal sürüklenme) tarihsel verilerden arındırır.

AI-Driven Tool Path Optimizasyon

Makine öğrenimi, enerji verimliliği ve döngüsü zamanı için araç yollarını optimize edebilir. Binlerce geçmiş işlemedeki takviye edici öğrenme ajanlarını eğiterek, sistem, kaliteli tutmak için parametreleri gerçek zamanlı olarak ayarlamayı öğrenir. Erken kabul edenler, büyük işlemlerinde% 15 enerji tasarrufunu rapor eder.

Prescriptive Supply Chain Entegrasyon

Örneğin, CAM'dan gelen büyük veriler daha geniş tedarik zincirine beslenebilir. Örneğin, tahmin edici bakım kritik bir makinede bir kesintiye uğramazsa, sistem otomatik olarak üretim programlarını ayarlayabilir ve müşterileri potansiyel teslimatlarla ilgili bilgilendirebilir.Bu proaktif yaklaşım genel tedarik zinciri dayanıklılığını arttırır.

Big Data Analytics'in Faydaları

CAM'deki büyük veri analizinden yatırım geri dönüş çok yönlü ve önemli.

Meydanlar ve düşünceler

Yararlı olsa da, birkaç engel onları fark etmeye yöneltilmelidir.

Bu zorlukların üstesinden gelmek için, [[0)IBM Öngörücü Bakım (Dönetici) ve [[Dönetici Eksileri[Döneticileri)[Döneticileri ile ilgili olarak [Döneticileri)

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Büyük veri analizinin bir tek zamanlı proje değil, sürekli süreç iyileştirmesine yönelik bir yolculuktur. Verilere sistematik olarak entegre eden üreticiler, gelişmiş analitikleri uygular ve uyarılı kontrol ile döngüyü optimize edecek, verimliliği, kaliteli ve inovasyonda önemli kazanımlar elde edecektir. Sensörlerin maliyeti ve hesaplamalar düşmeye devam ediyor, her yıl daha düşük bir şekilde ilerlemeye devam ediyor.Hedef bir şekilde, her yıl için harekete geçebilecek olan kuruluşlar sadece mevcut işlemleri optimize etmeyecekler, aynı zamanda gelecekteki teknolojileri benimsemeye devam edeceklerdir. -AI, otonom işleme ve kendi kendine optimize etmek için - fabrikaların maliyeti olarak - bir şekilde ilerlemeye başlıyorlar.